随着大数据的火热,人们面对的数据越来越复杂,常常能收集到高维的复杂数据,也因此在统计分析时常会面临维数祸根问题。为了克服维数祸根问题,同时充分挖掘数据的有用信息,充分性降维方法越来越受到广泛关注。成分数据是传达比例信息的数据,描述着一个整体的结构特性,主要用于系统结构发展趋势的预测,它广泛存在于众多领域,但由于其特有的数据特点——“定和”约束,传统的统计方法无法直接使用,现有的对于成分数据的降维方法十分有限。鉴于此,本文提出一种新的成分数据有监督降维方法——成分数据方向回归降维方法(Co DR)。首先,我们将经典的方向回归方法(DR)的理论框架进行推广,在多元成分数据下,给出了中心降维子空间的具体形式,并通过引入Aitchison几何和等距对数比变换,给出了成分数据方向回归降维方法的具体算法。该方法能够在单纯形空间快速实现对多元成分数据的降维,同时不损失多元成分自变量包含的因变量的回归信息。为了对所提出的Co DR方法的表现进行评估,我们做了大量的数值模拟实验,考虑了多种分布下的成分数据,多种多元成分变量内部和外部的相关结构和相关强度,以及不同结构维数的降维空间的情况,将所提方法与已有的成分数据切片逆回归方法(Co SIR)和成分数据切片平均方差估计(Co SAVE)方法进行比较,模拟结果表明Co DR方法估计的中心降维子空间拥有更小的估计误差,并结合了Co SIR和Co SAVE方法的优点,既可以估计出偶函数情况下的有效降维方向,又可以在小样本量的时候仍然具有较好的降维效果。另一方面,实际中结构维数通常是未知的,我们提出了BIC型的信息准则来根据数据自适应地确定结构维数。数值模拟表明随着样本量的增大,其估计的精度越来越高,从数值上证明了其相合性。最后,本文将所提Co DR方法应用于城镇居民可支配收入数据,研究地区国内生产总值、固定资产投资总额、城镇单位就业和城镇单位就业工资对城镇居民可支配收入的影响,并建立回归模型进行预测分析。基于Co DR方法降维得到的充分成分协变量建立部分线性模型,并与Co SIR和Co SAVE两种降维方法的预测效果进行对比分析,基于200次的交叉验证实验表明基于所提Co DR方法寻找的降维方向建立的模型具有更小的预测误差,体现了所提降维方法在成分数据分析中的合理性和优越性。