本文主要研究在协变量复共线性和维数发散下，广义单指标模型中指标向量的方向估计问题以及方向估计的大样本性质，同时简单讨论了指标向量的变量选择问题。　　 在线性模型下，最小二乘估计是估计参数向量的最为常用的方法，但是，许多应用实践表明，当设计矩阵降秩，或者协变量之间存在复共线关系时，最小二乘估计的性质不够理想，有时甚至很坏，为此，文献中出现了岭回归估计，在均方误差意义下，通过适当地平衡估计的偏差和方差，岭回归估计能够改进最小二乘估计。　　 对于复杂高维数据问题，线性模型至多只能作为”真实”模型的一种近似，而检验某个参数模型的合理与否是非常之困难的。为了减少建模偏差，同时避免”统计维数祸根”问题，本文从广义单指标模型出发，考查了指标向量的方向估计和变量选择问题。首先，通过借鉴充分性降维技术以及岭回归估计的思想，在广义单指标模型连接函数结构未知的情况下，我们提出了指标向量的岭型方向估计，同时解决了协变量复共线性以及高维数问题。在一定的条件下，我们讨论了岭型方向估计的大样本性质，包括强相合性和渐近正态性。与经典方法有所不同的是，所有的性质都是在协变量维数发散下给出的。与以往的文献相比，维数发散的速度是最优的。其次，我们讨论了p>n情形下指标向量的变量选择问题。通过借鉴文献中有关线性模型的变量选择方法，我们在岭型方向估计的基础上，提出了一种新的变量选择方法，并且给出了有效计算算法.最后，通过大量的模拟实验和一个实际数据分析，说明了本文所提出的方法是可行的。