معمولاً در پدیده هایی که به وسیله رگرسیون مدل می شوند، تعداد متغیرهای کمکی موجود در مدل بسیار زیاد است. افزایش تعداد متغیرهای کمکی در مدل های رگرسیون باعث افزایش هزینه جمع آوری داده ها، افزایش خطاهای نمونه گیری و غیر نمونه گیری در فرآیند مدل سازی، و بروز هم خطی های چندگانه بین متغیرهای کمکی می گردد. تمامی مسائل ذکر شده در بالا، افزایش واریانس برآوردگرها می گردد که به معنی تغییرپذیری بالای ضرایب رگرسیونی و در نهایت ناپایداری مدل های برازش شده می گردد. بدین منظور است که از فرآیند انتخاب متغیر برای کاهش متغیرهای درون مدل با بیشینه کارایی استفاده می گردد. اما در مدل هایی با تعداد متغیرهای کمکی زیاد، برآوردهای رگرسیونی معمول، برآوردهای کوچک تری از ضرایب رگرسیونی واقعی فراهم می-آورند. این مسأله باعث می شود که فرآیند انتخاب مدل به همراه روش رگرسیون ریج برای برآورد پارامترها استفاده گردد. آماره c_p (j,?) مالوز که در سال 1973 توسط مالوز پیشنهاد شد، ملاکی است که امکان استفاده هم زمان از فرآیند انتخاب مدل و روش رگرسیون ریج را فراهم می آورد. اما این ملاک دارای اریبی ثابتی است که در برخی موارد قابل چشم پوشی نیست. به همین دلیل در این بررسی به معرفی ملاک انتخاب مدل جدیدی خواهیم پرداخت که نااریب است و در فرآیند انتخاب مدل هم زمان بهتر از c_p (j,?) عمل می نماید. این ملاک را ?mc?_p (j,?) می نامیم و در این پایان نامه خواص آن را مورد بررسی قرار می دهیم.