成分数据是一组非负且和为常数的数据组成的向量。它具有特殊的性质,一般用于研究个体占整体的百分比或者是比率。成分数据反应的是数据间的相对信息,而不是数据本身的信息。由于数据的特殊性,常见的统计模型或者统计方法并不能直接应用在成分数据中。成分数据如何回归分析,以及如何进行变量选择是当前研究的一个重点。本文主要研究的是成分数据的组变量选择问题,即从众多变量中选择与因变量具有相关性的组变量,包括无等级结构的组变量选择和存在等级结构（交互作用）的变量选择。本文的主要研究成果主要有:（1）提出了一个针对无等级结构的组变量选择方法:成分数据的组Lasso算法。在高维数据中,变量常常不是单个存在的,而是以组的方式共同存在的。如何选择出对因变量有显著影响的组甚至组内变量,这是高维数据中一个主要的问题。在众多的统计方法中,稀疏组Lasso可以很好的解决这个问题。本文主要将稀疏组Lasso的算法引入到成分数据中,同时考虑了成分数据的广义线性模型这种复杂模型中组变量选择问题。（2）实践证明考虑交互作用的模型具有更好的模型效果和可解释性,在本文中同样考虑了交互作用下成分数据的变量选择问题。针对存在交互作用（等级结构限制）的成分数据:强交互作用和弱交互作用,分别提出了成分数据强交互作用下的等级Lasso模型（CSHLM）和成分数据弱交互作用下的等级Lasso模型（CWHLM）。由于主效应和交互效应存在重叠部分,因此传统的统计模型并不能正确的识别出对因变量有显著影响的主效应和交互效应。本文主要从系数限制的方面重新看待等级结构性稀疏,通过对系数增加限制的方式,来选择主效应和交互效应。本文的研究成果将进一步的丰富了成分数据变量选择的研究,为以后在各行各业所遇到的成分数据的变量选择问题提供了新的解决方法。