稀疏回归模型中的变量选择是一项重要任务，从生物医学研究到计量经济学的应用都表明了这一点。特别是对于高维回归问题，作为响应和协变量之间的链接的回归函数无法直接检测，信息变量的选择具有挑战性。在这种情况下，随机森林方法是一种有用的工具，可以预测新的结果，同时提供变量选择的度量。一种常见的方法是使用排列重要性。由于其直观的思想和灵活的使用，探索基于随机森林的排列重要性正确指示信息协变量的情况非常重要。对于后者，我们在诸如特征相互独立等特定假设下为置换重要性测度的有效性提供了理论保证，并证明了它的（渐近）无偏性，而在稍微严格的假设下，建立了置换重要性度量的一致性。一项广泛的模拟研究支持了我们的发现。