多元線性回歸模型表示壹種地理現象與另外多種地理現象的依存關系，這時另外多種地理現象***同對壹種地理現象產生影響，作為影響其分布與發展的重要因素。
稀疏模型：
稀疏模型將大量的冗余變量去除，只保留與響應變量最相關的解釋變量，簡化了模型的同時卻保留了數據集中最重要的信息，有效地解決了高維數據集建模中的諸多問題。稀疏模型具有更好的解釋性，便於數據可視化、減少計算量和傳輸存儲。
1996年Tibshirani把嶺回歸估計的L2範數罰正則化項替換為L1範數罰正則化項得到了Lasso(Least Absolute Shrinkage and Selection Operator, Lasso)。L1範數罰具有產生稀疏模型的能力，使用L1範數罰作為正則化項的Lasso具有變量選擇功能和變量空間降維功能。
實際上在Lasso之前已有能夠產生稀疏解的非負絞刑估計 (nonnegative garrote estimator)和橋回歸(bridge regression)模型被提出。
但由於缺少高效的求解算法因而沒有引起足夠的重視，而自從Lasso這種稀疏模型以及可對其有效求解的LAR算法(Least Angle Regression, LAR)被提出後，稀疏模型才得到了廣泛深入的研究，並在機器學習、數理統計和生物信息學等領域逐漸流行起來。