在统计研究中,缺失数据是普遍存在的,尤其对不可忽略缺失数据的统计推断是非常困难的.对不可忽略缺失数据的建模主要是基于传统线性回归模型,该模型需要假设误差项独立同分布.在实际生活中,假设条件很难满足,当数据出现厚尾误差、异常值等情况时,传统线性回归模型将不再适用.分位数回归相较于传统的线性回归,限制条件较为宽松,它是基于响应变量不同分位点的分布,可以更精确的描述自变量对响应变量的变化范围及条件分布形状的影响,因而具有稳健性.进一步在分位数回归的基础上,复合分位数回归既保留了分位数回归的稳健性,又通过复合的方式提高了估计的效率.本文针对不可忽略的缺失数据,假设响应概率模型服从参数化logistic分布,根据建立的复合分位数回归模型,推导出参数的逆概率加权复合分位数回归估计形式.其中参数估计通过最大似然方法、半参数似然方法、经验似然方法得到.基于似然估计的逆概率加权复合分位数回归推断方法,其计算简单,且对回归系数的估计效率高于逆概率加权最小二乘法.通过对模拟实验及实际数据应用进行分析,得出该估计方法在大多数情形下优于逆概率加权最小二乘估计.