用一个简单的例子可以帮助理解本章之前已介绍的各种模型和方法。假设有两个输入变量 $X_1$ 和 $X_2$，两者的相关系数为 $\rho$，真实的线性模型的系数为 $\beta_1=4$ 和 $\beta_2=2$。
图 3.18 展示了不同模型的系数估计值随着调节参数的变化曲线。上图为 $\rho=0.5$，下图为 $\rho=-0.5$。岭回归和套索回归的调节参数在一个范围内连续地变动，而最优子集、部分最小二乘、和主成分回归在两步1之后就达到了最小二乘的解。在上图中，岭回归同时对两个系数收缩，随着约束的减弱，逐渐收敛到最小二乘的解。部分最小二乘和主成分回归与岭回归的表现类似，但在收敛的后期呈离散的跳跃。最优子集选择先偏离2了最小二乘解，但在第二步返回到这个解。套索回归的表现介于其他方法之间。在下图中，两个输入变量负相关，部分最小二乘和主成分回归的表现仍然与岭回归相似，但实际上这几种方法的曲线相差不大。
值得注意的是不同方法的收缩方式的区别。岭回归在所有的方向上收缩，在样本方差低的方向上收缩程度更大。主成分回归只保留 M 个高方差的方向，直接舍弃掉其他的方向。而部分最小二乘不仅倾向于在低方差的方向上收缩，实际上还会在高方差的方向上放大。这种性质使部分最小二乘有一点不稳定，比岭回归的预测误差稍高。详细的研究可见（Frank and Friedman, 1993），论文的作者认为就最小而预测误差方面，岭回归通常是比变量子集选择、主成分回归、和部分最小二乘更好的选择，但对后两者的优势微乎其微。
综上，部分最小二乘、主成分回归和岭回归的表现相似。应用中可能倾向于岭回归，因为其平滑的收缩性质，不存在跳跃。套索回归介于岭回归和最优子集选择之间，同时包含了两者的部分性质。