变量选择可以帮助我们从大量的数据中提取出有价值的信息,提高模型的预测精度.如何高效地从众多的协变量中选出对因变量有重要作用的变量是统计推断中的重要问题.1996年,统计学家Tibshirani提出了重要的方法——Lasso,该方法可以使模型产生稀疏解,但不具备Oracle性质.因此,Zou在Lasso的基础上进一步提出了 adaptive Lasso,此方法对不同的系数进行不同程度的压缩,更容易挑选出重要的变量,并且此方法具备Oracle性质.很多高维数据中变量之间存在相关性,此时Lasso方法就不能充分反映变量之间的关系,于是弹性网(Elastic-net)方法应运而生,此方法能够使高度相关的变量同时进入模型或从模型中剔除,但此方法不具有Oracle性质.因此,在Elastie-net和adaptive Lasso的基础上提出了具有Oracle性质的自适应弹性网(adaptive Elastic-net)方法.以上这几种方法都是基于最小二乘的惩罚变量选择方法.当数据中出现异常值或重尾分布时,基于传统的最小二乘的惩罚变量选择方法将不再适用,需要寻求更稳健的估计方法.而M估计在稳健统计推断领域中已经被广泛研究.此外,随着科学技术的快速发展,实际生活中产生了大量的数据,这些数据呈现高维度,强相关,多冗余的现象.因此,在稳健估计的基础上还需要寻求能够有效处理数据共线性问题的变量选择方法.综合以上问题,本文提出了一种带惩罚函数的M估计,即基于标准误调整的自适应弹性网的惩罚M估计.本文内容主要研究基于标准误调整的自适应弹性网的惩罚M估计方法,该方法以M估计和它的标准误作为权重代替普通的最小二乘估计,并给出此方法的相合性和渐近正态性及其理论证明.对于高维情况的变量选择,在保持估计的准确性和处理多重共线性问题的同时,使用多个调整参数.这可以通过迭代来实现,其中每一步迭代都使用单独的调整参数,这就是MSA-Enet(the multi-step adaptive Elastic-net)的思想.本文用这种方法对超高维数据进行降维,使数据维数pn降至小于样本量n,然后再运用本文提出的方法进行变量的选择和参数的估计.最后,通过数值模拟分析和实例分析对本文所提出的方法进行验证,模拟和实例分析结果显示本文提出的方法比其它常用的变量选择方法有一定的优势.