Fan和Li提出了一类基于非洞穴惩罚似然的参数模型变量选择程序，用于同时估计参数和选择重要变量。他们证明了当参数数量有限时，这类过程具有oracle属性。然而，在大多数模型选择问题中，参数的数量应该很大，并且随着样本大小的增加而增加。本文针对参数个数随着样本量的增加趋于∞的情况，建立了非凹惩罚似然的一些渐近性质。在正则性条件下，我们建立了惩罚似然估计的预言性质和渐近正态性。此外，还证明了协方差矩阵三明治公式的一致性。讨论了非凹惩罚似然比统计量，通过对惩罚函数施加一些温和的条件，得到了它们在零假设下的渐近分布。渐近结果通过模拟研究得到了补充，新开发的方法通过对一个关于工资性别歧视的法院案例的分析得到了说明。