استفاده از روش‌های درستنمایی تاوانیده با تکثیر مجموعه داده‌های بعد بالا گسترش یافته است. با این وجود، هنگامی که تعداد مشاهدات در مقایسه با تعداد متغیرهای کمکی نسبتاً کم است، هر مشاهده‌ای به‌طور بالقوه می‌تواند تأثیر بسزایی روی انتخاب مدل و استنباط داشته باشد. بنابراین، شناسایی و ارزیابی مشاهدات موثر در روش‌های تاوانیده مهم است. در این مقاله، معیارهای تأثیر برای تشخیص مشاهدات موثر در رگرسیون لاسو بعد بالا که اخیراً معرفی شده‌اند، مرور می‌شوند. سپس، این معیارها تحت روش الاستیک‌نت که برای بهبود پیش‌بینی‌های مدل، ویژگی حذف از لاسو و کاهش ضرایب از ریج را ترکیب کرده، بررسی می‌شوند. از طریق شبیه‌سازی و مجموعه داده‌های واقعی نشان داده می‌‌‌‌‌شود که معیارهای تأثیر معرفی شده به‌طور کارآمد مشاهدات موثر را شناسایی می‌کنند و می‌توانند به آشکارسازی روابط پنهان در داده‌ها کمک کنند.