随着科学技术的发展,各个领域每时每刻都在产生大量的数据,并且数据的复杂程度也越来越高。当数据维数大于样本量9)时,称这样的数据为“高维”数据。本文研究了高维数据情形下单指标模型的方差估计,一方面因为方差估计是统计推断中一个非常重要的问题,另一方面单指标模型具有灵活性与降维的特性,使得其成为处理高维数据的一种有效的模型。因此,本文的研究不仅在理论上有重要的意义而且在实际应用中具有广泛的用途。针对单指标模型,本文提出用RCV(Refitted Cross-Validation)方法对其进行方差估计,并在理论上证明具有Oracle性质,该方法能够很好地完善常见的两步方差估计(第一步选取变量,第二步方差估计)的低估。同时基于B样条近似的方法我们给出了该模型的蒙特卡洛模拟,并计算了RCV-LASSO方法、RCV-SCAD方法的方差估计量,还对比Oracle方法、CV-LASSO、CV-SCAD方法进行了分析。研究结论表明,运用RCV方法估计的方差,其偏差、标准误差的表现均好于运用其它的方法。RCV方法的方差估计量与选择的模型的平均大小更加接近Oracle模型的估计量,充分降低了伪相关变量对方差估计带来的影响,随着变量维数的增加RCV方法更加有效。最后,我们还运用实际数据集说明理论结果和数值模拟的效果的有效性。