在我看来，序数回归是解决这个问题的理想选择。除了具有与观测值引起的计算负担之外，没有其他问题。R包的功能使用特殊的稀疏矩阵表示来解决计算负担问题。有关示例，请参阅我应该使用哪种模型来拟合我的数据？序数和非序数，非正态和非均方差$Y$rmsorm

原则上，您担心响应是有限的是正确的。在实践中，使用这种数据，您不太可能得到超出观察数据范围的预测。这不是你的错，而只是公司层面数据的高度不可预测性的影响。

这么说吧：你能得到的最糟糕的情况是没有预测变量真正有帮助，在这种情况下，模型将预测每家公司的平均排名，至少是一个很好的初步近似值。在实践中，您希望自己能做得更好，但没有理由期望预测会超出观察范围。（或者有吗？）

但是为什么要预测排名呢？为什么不尝试预测一些性能指标，然后对预测进行排名，然后与专家的排名进行比较？这听起来问题不大。

我听说过使用统计量，然后与卡方表进行比较。（任何人都可以支持我吗？）您所要做的就是将所有数据转换为等级，通过常规的旧多元回归运行它，然后使用统计量找到您的值。$L$$(N-1)r^2$$L$$p$

但是，我觉得推理在您的情况下不会太有用。不太确定数据的上下文，但简单地使用 Spearman 相关性或散点图可能更能说明问题。