变量选择是高维统计建模的基础。许多变量选择技术可以通过使用各种惩罚函数的最大惩罚似然来实现。优化受惩罚的似然函数通常具有挑战性，因为它可能是不可微和/或不可压缩的。本文提出了一类新的算法，用于寻找一类惩罚函数的惩罚似然最大化。这些算法通过稍微扰动惩罚函数使其可微，然后使用minorize–maximize（MM）算法优化此可微函数。MM算法是众所周知的EM算法类的有用扩展，这一事实使我们能够使用EM算法所采用的一些技术分析所提算法的局部和全局收敛性。特别地，我们证明了当MM算法收敛时，它们必须收敛到一个理想点；我们还讨论了保证收敛的条件。我们利用这些算法的Newton–Raphson-like方面，提出了估计量标准误差的三明治估计量。我们的方法在数值试验中表现良好。