【目的】在研究孤独症等心理学课题的研究过程中,我们经常会碰到一类计数数据,它们会呈现过度离散和零度膨胀等特征。为了探索影响孤独症的真正影响因素,本文提出一种全新的基于Hurdle模型基础上的自适应LASSO变量选择方法 Hurdle-ALASSO,用于实现对这类计数数据的变量选择。【方法】对24名孤独症患者、26名精神发育迟滞患者和28名正常人士分别进行面部识别实验,分别记录他们的眼动轨迹计数数据。利用Hurdle-ALASSO方法对三组具有过度离散和零膨胀特征的眼动轨迹计数数据进行重要变量的筛选。【结果】影响参与者面孔识别的主要因素包括观察路径、注视面孔时间和注视脸部各部位的时间比例。孤独症患者脸部识别的认知过程与精神发育迟滞患者和正常人士相比存在差异,且路径扫视次数并不是导致差异的因素。【结论】Hurdle-ALASSO方法能有效地实现对具有零膨胀和过度离散特征的心理学类计数数据进行变量选择。