线性回归模型的交互项选择在现代科学的许多领域都发挥着重要作用，但非常具有挑战性，特别是当解释变量的维数相对较高时。现有方法侧重于选择一个最优模型。然而，对于高维数据它们在稳定性方面可能表现不佳，且通常无法处理分类变量。本文针对具有连续和分类解释变量的线性回归模型提出了基于变量重要性的交互项建模 (VIBIM) 方法。本文证明了在适当的条件下，VIBIM方法可以渐近地识别所有真实的主效应和相互作用。模拟结果表明该方法具有良好的有限样本表现。此外，本文将VIBIM方法应用于COVID-19数据。与传统的组变量选择方法相比，VIBIM方法在可解释性、稳定性、可靠性和预测精度方面表现更好。