随着大数据时代的迅速发展,人们面临着充斥冗余信息且结构复杂的数据,这使得传统统计估计模型和理论不再拥有良好的应用表现。稀疏化方法经过近20年来的发展,对于筛选数据中的重要变量、提升统计模型的可解释性等有重要的促进作用。然而,实际问题中复杂数据的多约束性、非单一性以及高噪声影响,使得传统的基于线性回归的稀疏化方法使用范围受限。我们从经典的稀疏化模型出发,研究了该技巧在部分线性模型中的应用,并进一步探讨了稀疏化方法在高维条件分位数半参数模型平均中的理论与实际表现。在应用稀疏化方法到半参数模型中时,首先考虑了部分线性模型。对于部线性模型中的参数结构,我们使用不同的压缩估计策略研究了压缩估计对于部分线性模型估计效果的影响。通过比较各个策略得到的渐近分布偏度和渐近风险,从理论上给出了不同压缩策略的具体影响。最后,采用SCAD罚函数建立了新的基于差分法的部分线性模型参数的估计模型。数值模拟和案例分析都表稀疏化方法确实可以促进提升传统的部分线性模型的表现。将稀疏方法应用到分位数半参数模型平均问题中前,我们仔细研究了模型平均的理论和计算方法,并讨论了离散响应变量情形下的广义半变系数模型的平稳模型平均方法。首先,我们把广义半变系数模型作为候选子模型。然后,利用交叉验证的方式估计出每个模型相应的权重大小。对于在估计过程中模型反复使用的缺陷,我们设计了一种新的随机分割模型,从而提升模型预测的准确性和平稳性。最后,数据分析结果表明改进的平稳模型平均估计大大增强了新模型的稳健性并显著地减小了模型错误选择的风险。使用稀疏化方法研究高维数据中的半参数模型平均问题发现,已有的方法不能够很好解决具有高噪声的数据预测问题。为此提出了一个带罚项的高维条件分位数半参数模型平均问题。首先,根据一个局部线性回归方法计算每个变量的边际分位数;通过引入边际分位函数的一个放射线性组合,得到响应变量条件分位数的一个近似估计。然后利用非参数的核估计方法,我们采用惩罚函数进行模型权重向量的估计。接着,我们重点考虑稀疏化方法挑选重要的变量,从而降低模型计算的复杂度和成本。利用筛选出的重要变量,估计联合多元条件分位数的具体形式。在计算机数据模拟分析和实际案例测试中,新的模型具有更好的稳健性和更佳的预测效果。