双层变量选择（bi-level variable selection），理学-统计学-大数据统计分析-数据简化，高维自变量呈现分组结构时，既选择重要的组又识别组内重要变量的方法。2007年，学者们采用惩罚的方式进行双层变量选择，2009年对基于惩罚的双层变量选择做了归纳整理，并提出了相应的快速算法。双层变量选择的惩罚函数有两种基本结构：组间惩罚和组内惩罚的复合函数，组间惩罚用来选择对因变量有重要影响的组，而组内惩罚用来选择一组内的重要变量；单个变量惩罚和仅选择组变量惩罚的线性组合。设是维数据矩阵，是第组的维数据矩阵。是维因变量。常见的双层变量选择方法如下：①Group Bridge惩罚式中，为惩罚参数；为第组变量对应的回归系数；为范数即向量元素的绝对值和。②复合极小极大凹惩罚（composite CMP）式中；、为正则化参数；。③稀疏组惩罚（sparse group lasso）式中、为惩罚参数；为范数，即。实际问题中，变量往往呈现分组特点且组内变量重要性不同。例如在基因数据分析中，研究控制疾病的基因和因素，一个基因可由许多变量来描述，视为一组，很显然并非每一个变量都有显著影响。