线性回归模型中的变量选择从频率学家和贝叶斯的角度考虑了许多明显的面孔。在本文中，我们介绍了一种变量选择方法，称为重新缩放的尖峰-板模型。我们研究了先验层次规范的重要性，并将其与频率学家广义岭回归估计联系起来。具体来说，我们研究了连续双峰先验模型对超变参数建模的有用性，以及尺度效应通过其与惩罚的关系对后验均值产生的影响。从理论上发展和研究了几种模型选择策略，一些是频率选择策略，另一些是贝叶斯选择策略。我们证明了选择性收缩对于风险误分类方面有效变量选择的重要性，并表明这是通过使用重新缩放的钉板模型的后验来实现的。我们还展示了如何使用专门的正向选择策略验证程序降低有限样本中模型不确定性的能力。使用此工具，我们说明了重新缩放的尖峰和平板模型在降低模型不确定性方面的有效性。