glmnet和hdm包都可以进行Lasso变量选择。它们之间的主要区别在于它们解决Lasso问题的算法不同，这可能会影响变量的选择结果。

以模拟数据为例，我们可以比较这两个包的变量选择结果。首先，我们创建一个具有50个变量的矩阵，其中只有前5个变量与响应变量有关：

set.seed(123)
n = 100
p = 50
X = matrix(rnorm(n*p), nrow=n, ncol=p)
beta = c(1, 2, 3, 4, 5, rep(0, p-5))
y = X %*% beta + rnorm(n)

然后，我们使用glmnet包的Lasso函数进行变量选择，从而确定哪些变量有用：

library(glmnet)

cvfit = cv.glmnet(X, y, alpha=1, nfolds=10)
plot(cvfit)
bestlam = cvfit$lambda.min

coef(cv.glmnet(X, y, alpha=1, lambda=bestlam))

而对于hdm包，我们需要在加载hdm库之前先安装它。Lasso变量选择可以采用selectInf函数来实现：

install.packages("hdm")
library(hdm)

l1 = selectInf(Y=y, X=X, method="lasso", estimate="beta", lambda=bestlam)
l1$beta

可以看出，这两者的结果基本相同，但对于一个更复杂的数据集，它们的变量选择结果可能会有所不同。