有序分类数据,即响应变量为有序多分类变量的数据在医学和组织学中非常常见。随着DNA技术的发展,越来越多的医学研究着手于探索疾病与患者基因表达之间的关系,而基因表达数据通常都是超高维(即p>>n)的。传统的解决有序分类问题的统计方法全部要求解释变量的维度p要小于样本容量n,因此它们在高维情况下并不适用。为了解决高维情况下的有序分类问题,本文基于一般的连续比率模型,并且考虑了模型中同一变量在不同类别上的系数的组效应,将模型中同一变量在不同类别上的系数看作一组,在连续比率模型中加入可以对组变量进行双层压缩的1-norm MCP惩罚函数,提出了1-norm MCP惩罚的连续比率模型。为了检验模型效果,本文首先进行数值模拟将1-norm MCP惩罚的连续比率模型的模型结果与L1惩罚的约束连续比率模型和L1惩罚的连续比率模型的模型结果进行对比。在模拟中,本文考虑了两种模型系数结构,并且考虑到了样本量和解释变量相关关系对模型结果可能产生的影响。模拟结果表明,本文所提出的1-norm MCP惩罚的连续比率模型在变量选择和分类上的效果明显优于L1惩罚的约束连续比率模型和L1惩罚的连续比率模型,这说明考虑连续比率模型中同一变量在不同类别上的系数的组效应,将同一变量在不同类别上的系数看作一组,并对整组系数同时进行压缩和估计可以有效的提高模型的变量选择和分类效果。另外,本文将1-norm MCP惩罚的连续比率模型应用到了借贷违约预测数据以及前列腺癌分期和肠病诊断研究的基因表达数据的分析上,分析结果表明1-norm MCP惩罚的连续比率模型可以有效的选择出与响应变量有关联的重要变量,并且有着较好的分类预测能力。