在预测模型中，当自变量的维度增加时，预测精度和算法性能都会显著下降，这就是所谓“维度诅咒”的问题。针对这一问题的多数解决方法都依赖所谓稀疏性假设，即函数值只依赖高维变量中的少数维度。高维非参数回归方法利用稀疏性假设有效克服“维度的诅咒”，同时具备非参数回归方法适应性强、预测精度高的优势，已成为统计机器学习领域最重要的研究方向之一。　　 本文的核心内容是：　　 首先，对高维非参数回归领域目前最有效的方法之一——导数期望正则化方法(RODEO)进行了深入研究，经理论和实证分析，发现原始RODEO算法在变量选择和预测精度等方面存在若干缺陷。在此基础上我们从函数估计方法和全局性两方面对算法进行改进，改进的算法有效克服了原有问题，在现实应用中具有更好的适应性，并且实证研究表明预测精确度更高。　　 其次，本文将改进的RODEO算法应用经济建模中，用于解决大因素集下宏观经济变量的预测问题。在Stock-Waston标准宏观经济数据集上进行测试，并将结果与主成分回归、基于高斯先验分布的贝叶斯回归、基于双指数先验分布的贝叶斯回归等三种现有的最优方法进行比较。结果发现，改进的RODEO算法预测精度远高于现有的最优结果。　　 本文的创新点在于：　　 算法研究方面，对高维非参数回归领域目前最优的方法之一——导数期望正则化方法(RODEO)进行改进，克服原始算法存在的若干缺陷，得到统计精度更高，更具适应性的算法。　　 算法应用方面，首次将高维非参数回归方法引入计量经济学研究领域，为大因素集下宏观经济指标预测问题提供了系统、高效的解决思路，可以由数据出发进行因素自动选择、模型自动构建，并且预测精度高于现有最优的结果。