在实际中,我们往往会因为某些原因获得不完整的数据或缺失数据集。如何处理缺失数据一直是统计学中的重点。其中最直接的方法是删除有缺失的个体,仅对有观察的个体作分析。但是,在很多情况下,删除的数据中包含一些重要信息,直接删除可能会造成信息缺失,使得模型估计和预测不准确。为了克服直接删除缺失数据所带来的问题,统计学家又相继提出了插补法、似然方法和逆概率加权法等来补全或调整缺失的数据,以期得到较为精确的模型。在回归分析中,分位数回归相较于最小二乘回归有许多优良性质,分位数回归通过选取不同的分位数点来刻画数据整体的分布特征,比均值回归分析更稳健,且随机误差不需要满足高斯-马尔科夫定理的假设条件,分位数回归因此得到了更广泛的关注和更深入的实践应用。但是分位数回归的估计效率会受到所取的分位点的影响,因此,本文借鉴模型平均的思想,根据不同分位数点建立的线性回归模型估计结果或预测结果,按照一定的权重进行平均化,从而得到更高效率的平均估计。在不可忽略缺失机制下,我们考虑参数化的倾向得分模型,并采用极大似然和半参数经验似然方法估计倾向得分模型中的未知参数。基于逆概率加权方法,本文结合分位数回归估计方法和加权平均估计的思想对普通线性回归模型建立和发展不可忽略缺失下的加权分位数平均估计。为改进估计有效性,我们通过融合辅助信息进一步提出基于经验似然方法的加权估计。我们通过大量模拟试验来说明提出的方法的有限样本性质。模拟结果发现,和传统的逆概率加权最小二乘估计相比,提出的逆概率加权分位数平均估计有更小的偏倚且对厚尾分布稳健。最后,我们将逆概率加权分位数平均估计方法应用于视频网站播放量的影响因素分析。