对于高维统计模型而言,变量选择是一种基本预处理方法,它在统计学中有着重要意义。在建模的过程中如果包含了无关的变量,不仅会加大计算的难度,而且会影响参数估计的精度与准确性。但是若遗漏了显著变量或者模型变量设定错误,会严重影响模型分析的结果,使得模型失去解释性,因而变量选择就显得至关重要。Nelder和Wedderburn(1972)最先提出了广义线性模型(GLMs)的概念,它是对一般线性模型的重要推广,既可用于响应变量为连续的统计分析中,也可应用于离散的情形中。Wedderburn(1974)提出,在广义线性模型中,若响应变量的分布未知,而均值与方差结构已知,可以模仿极大似然法构造拟似然方程,求得拟似然估计量。本文中考虑了自适应设计广义线性模型的变量选择问题,利用拟似然方法结合非凸的惩罚函数方法,可以同时进行变量选择和参数估计。文章中惩罚函数采用Fan和Li(2001)给出的SCAD罚函数,分别介绍了固定设计与自适应设计情形下惩罚拟似然方程,并证明了在自适应设计下惩罚拟似然估计量的Oracle性质。在模拟中比较在有无惩罚函数时,选择出真实模型与真实系数为0的变量的比率,通过模拟结果可以看出,采用本文方法在自适应设计下可以筛选出系数为0的变量,并且当样本容量增加时,选择出的变量接近于真实的模型中的变量。