从分布未知的总体中获取样本来对总体未知特征进行统计推断时,最常用的是简单随机抽样(SRS),截至当前由SRS衍生出的理论已相当完善和成熟.但在实际问题中,一方面,受到实验规模或实验费用的限制不可能对大量的样本进行实际测量;另一方面,对样本的实际测量可能比较困难或者具有破环性,这时我们需要采取其它的抽样方式.针对这种情况,澳大利亚农业学家McIntyre于1952年在估计某地牧场草产量的均值时首次提出排序集抽样(RSS),尤其当兴趣变量不易量化而容易排序时,RSS的优势就更加明显.因为它的高效性,现已被广泛应用于农业、环境和医学等领域.为了减少排序出错和保留RSS优良的抽样性质,Al-Odat和Al-Saleh(2000)提出了动态极值RSS(MERSS).MERSS提出后,统计学者们对许多常用模型展开了更深入的研究.例如:Al-Saleh和Hadhrami(2003a)在MERSS下研究了正态分布中均值的极大似然估计(MLE).Al-Saleh和Hadhrami(2003b)在MERSS下研究了指数分布中均值的MLE.Chen et al.(2019)在MERSS下研究了 Pareto分布中参数的MLEs.本文研究了 MERSS下位置刻度分布族和简单线性回归模型中参数推断的有效性.主要内容分为如下几个方面:(1)研究了位置刻度分布族中Logistic分布参数的极大似然估计(MLEs).证明了该分布中位置参数和刻度参数MLEs的存在性和唯一性,基于动态极值排序集样本获得了 Fisher信息矩阵.数值结果表明MERSS下的MLEs一致优于SRS下的MLEs.(2)基于动态极值排序集样本,获得了位置刻度分布族的Fisher信息矩阵.数值结果表明MERSS下的Fisher信息矩阵比SRS下Fisher信息矩阵更有效.(3)研究了 MERSS下简单线性回归模型中参数的最优线性无偏估计(BLUEs)数值结果表明MERSS下的BLUEs一致优于SRS下的BLUEs.(4)基于动态极值排序集样本,获得了简单线性回归模型的Fisherr信息矩阵.数值结果表明MERSS下的Fisher信息矩阵比SRS下Fisher信息矩阵更有效.