随着统计学问题的提出和深入讨论，统计诊断变得越来越重要，已成为研究统计学的核心问题之一。本文主要运用线性模型相关理论，识别数据删除模型下的强影响点.此外，我们还对 Stein岭型主成分估计进行优化，减少有偏估计的偏差；同时还利用Bayes理论对两参数Pareto分布的参数进行估计。　　本研究主要内容包括：⑴在修正LIU估计下对单个数据删除模型进行研究，讨论数据删除模型估计量的性质，得到修正LIU估计?βMLE(i)与LIU估计βLE间的关系，以及预测估计yi可由MLE与yi线性表出等性质；同时，在前人的基础上推导得到CRi统计量和Cook统计量新的表达形式，并验证Cook距离识别强影响点的合理性。⑵利用几乎无偏估计思想，将Stein岭型主成分估计进行优化，得到几乎无偏Stein岭型主成分估计.在均方误差准则下将几乎无偏Stein岭型主成分估计与最小二乘估计、Stein岭型主成分估计进行比较，得出其优于后面两种有偏估计的充分条件.并通过数值实验证明在给定k或p时，几乎无偏 Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近，且远小于最小二乘估计的均方误差。⑶针对两参数Pareto分布的Bayes估计问题，在尺度参数λ已知的情况下，运用Bayes定理，得到复合MLINEX对称损失函数下形状参数θ的Bayes估计，验证了其是可容许的.并利用超参数的先验密度函数推导得到θ的 E-Bayes估计和多层Bayes估计，验证θ的三个不同E-Bayes估计具有保序性，且三者在T→∞时极限相等。