变量筛选在各类生活场景中都有着广泛的应用,例如在探究影响疾病的关键基因时,可能的关键基因数远大于获取到的患者样本数,并且在基因数据的获取、保存等阶段又经常存在数据缺失的现象,而在这类带有缺失的超高维数据中进行有效的变量筛选是十分重要的,这样可以对疾病的关键基因进行定位,并且对后期精准医疗、疾病预防等都有着深远的意义。考虑到基因数据的复杂性和超高维数据的“维数灾难”现象,本文将结合单指标模型来探讨该问题。因此,在响应变量随机缺失的情形下,本文主要研究超高维单指标模型的变量筛选问题,并在逆概率加权和确定性独立变量筛选方法的基础上,本文提出基于MSIS方法(Sure Independence Screening Method with Missing data)构造的变量筛选器用来解决该问题。首先利用K-S统计量和Logistic回归模型估计逆概率权数;其次针对每个协变量建立逆概率加权的二次损失函数,将效用函数值按升序排列后便可将数据集的维度降低到一个合适的规模;最后运用基于LASSO惩罚的逆概率加权最小二乘方法对降维后的数据进行更精细的变量选择,以此完成重要变量的挑选。进一步地,本文还通过大量数值模拟来表明基于MSIS方法构造的变量筛选器性能良好、效果稳定,并且该变量筛选方法对于缺失率也具有一定的稳健性。另外,还将外周血基因谱数据作用在MSIS方法上查看效果。结果表明:即使数据存在不同程度的缺失,MSIS方法依旧能够在影响动脉粥样硬化时的关键基因探索上起到重要作用,并且还可以推广到其他领域中。