随着产业的不断升级,研发创新能力是企业保持优势或弥补差距的关键,但研发活动投入资金大、回报周期长,进行投资决策时需从企业的各个方面综合考虑,因此如何确定影响企业研发投入的关键因素是很有研究价值的问题。现有关于企业研发投入影响因素的研究主要采用LASSO等单层惩罚方法或者基于MCMC的贝叶斯方法,但前者忽略了企业统计指标的分组特性,后者在维度较高的现代企业数据上效果欠佳,所以本文针对性地引入了双层贝叶斯变量选择方法BIVAS来筛选重要指标。为进一步提高BIVAS方法对不同类型数据的适用性,借助不需要强相关假定也能满足确定独立筛选性质的HOLP预筛选方法,构建了HOLP-BIVAS二阶段变量选择方法。本文首先回顾了国内外关于贝叶斯变量选择和企业研发投入的研究现状。其次梳理了变量选择方法的不同派别及其发展历程,并介绍了BIVAS和HOLP的基本理论,以及HOLP-BIVAS二阶段方法的求解。接着在数值模拟部分,先对比一阶段变量选择方法在具有双层分组结构的模拟数据集上的模型效果,结果表明BIVAS方法的模型精度最高,计算效率较高,但一阶段方法的预测误差和计算时间均随变量维度的增加而线性递增,不适用于高维情形。最后将二阶段方法加入模拟实验,结果表明预筛选方法能显著提高一阶段方法在高维情形下的模型效果,其中HOLPBIVAS方法在高维情形下的预测精度和计算效率均最优。实证部分首先分析了上市公司在不同行业间的数量分布差异。其次应用一阶段方法研究制造业上市公司研发投入的影响因素,结果表明BIVAS方法预测误差最低,公司现金流、资产报酬率和内部职工股被3种一阶段方法选作重要影响因素,均对研发投入有显著的正向影响。最后应用二阶段方法研究信息技术业上市公司研发投入的影响因素,结果表明HOLP-BIVAS方法的精度最高,权益对负债比率和现金再投资比率被4种二阶段方法选作重要影响因素,对研发投入的正向影响作用显著。最后根据实证结果提出政策建议。