最经典的参数估计方法是最小二乘法(OLS),但是OLS对于异常值是非常敏感的.最小一乘(LAD)和分位数回归(QR)方法对于响应变量重尾分布是稳健的,然而LAD具有任意小的相对效.当随机误差项服从重尾分布时,QR方法相对于OLS方法更加高效.随后,组合分位数回归(CQR)方法对其进行了改进,且CQR方法保持了 QR方法对响应变量重尾分布稳健的优良性质.与此同时,CQR方法也具有QR方法对于解释变量中的异常值比较敏感的缺点.当异常值存在于解释变量中时,CQR方法的拟合效果以及预测效果会受到严重影响.另外,基于惩罚的变量选择由于其简便性以及选择的稳健性一直是近二十多年来的热门课题之一,实际数据中,维数发散情况下变量间多存在多重共线性问题.单水平的变量选择可能会遗漏一些重要变量,为了解决变量间的多重共线性问题需要考虑带有组效应的变量选择方法.本文的创新之处在于提出了一种稳健加权的组合分位数回归(WCQR)方法,对于每个观测值赋予一个权重以降低高杠杆点,抵御解释变量中异常值的影响.其次,本文提出在超高维数据的情况下利用主成分法对数据集进行降维以解决矩阵不可逆问题.结合稳健的WCQR函数和具有组效应的SCAD-L2惩罚,本文提出了基于SCAD-L2惩罚的稳健加权组合分位数回归方法(WCQR-SCAD-L2).在参数维数发散的情况下,WCQR-SCAD-L2方法能够同时实现变量选择和参数估计,并且本文在一般条件下给出了该方法的Oracle性质(稀疏性和渐近正态性)及其严谨理论证明.权重的选择利用了“去污子集”法,但是在超高维情况下“去污子集”法失效,本文提出通过主成分法对数据集进行降维,继而利用“去污子集”法选择权重.模拟过程通过局部二次逼近和MM(Majorize-Minimization)算法实现.模拟结果表明无论随机误差项是否服从重尾分布,解释变量中是否存在异常值,本文所提出方法的表现效果都优于基于SCAD-L2惩罚的组合分位数回归(CQR-SCAD-L2)方法.为了说明本文方法在实际问题中的表现,基于血浆β胡萝卜素数据以及超高维数据运用本文所提出方法以及CQR-SCAD-L2方法拟合模型并进行预测.结果表明,实际问题中在解释变量和响应变量中同时存在异常值时,本文提出的方法表现良好.