با پیشرفت علم، دانش و تکنولوژی، روش های جدید و جامع برای اندازه گیری، جمع آوری و ثبت اطلاعات ابداع شده اند، که منجر به ظهور و
توسعه داده های بعد بالا شده اند. مجموعه داده های بعد بالا، یعنی مجموعه داده هایی که در آن تعداد متغیرهای توضیحی بسیار بزرگتر از تعداد
مشاهدات است، به سادگی و با روش های سنتی و کلاسیک، مانند روش کمترین توان های دوم معمولی، نمی توانند تحلیل شوند و تفسیرپذیری آن
امری بسیار پیچیده خواهد بود. اگرچه در صورتیکه فرضیات اساسی برقرار باشند، برآورد کمترین توان های دوم معمولی بهترین روش برآورد در
تحلیل رگرسیونی است ولی برای داده های بعد بالا قابل استفاده نبوده و در این شرایط مستلزم به کارگیری روش هایی نوینی هستیم. در این مقاله در
ابتدا، به مشکلات روش های کلاسیک در تحلیل داده های بعد بالا اشاره می شود و سپس، به معرفی و توضیح روش های تحلیل رگرسیونی متداول
و امروزی مانند روش های تحلیل مولفه اصلی و تاوانیده برای داده های بعد بالا پرداخته می شود. در انتها یک مطالعه شبیه سازی برای بررسی و
مقایسه روش های اشاره شده در داده های بعد بالا انجام می گردد.