分位回归方法以其能够全面刻画因变量的分布情况等特点作为构建稳健性的基础，在普通最小二乘估计失效的情形下，相对而言，比经典线性回归——只做出因变量在给定自变量取值后的均值估计，具有更广泛、更灵活的应用。自适应性分位回归则进一步放宽了经典分位回归（如均值回归）对模型结构的先验假设，避免了“维数灾难”问题，保留了传统方法的一些优良性质，从某种意义上说是“完全自适应”的，得到的是兼具了稳健性和窗宽选择优势的估计结果。　　鉴于自适应分位回归估计方法的诸多优势，本文首次尝试将其推广到分层半参数模型中。分层半参数模型，一方面放松了传统分层线性模型的正态性假设，允许其组内误差是异方差的且其某一水平上的模型可以是非参数的，这将在一定程度上起到提高数据解释能力的作用;另一方面，在该模型的估计过程中，因为同时涉及了非参数模型部分和参数模型部分，而在非参数估计理论中，局部自适应窗宽选择方法作为一种较为前沿的非参估计方法，被尝试引进到不同的学科领域中，并显示出自身的优势，通过优化窗宽选择来加强模型估计的稳健性。　　本文侧重理论研究，将兼具稳健性质和窗宽选择优势的自适应性分位回归方法运用到分层半参数模型中，得到基于分层半参数模型的自适应分位回归(Adaptive Quantile Regression based on Hierarchical Semi-parametric Models,AQR-HSM)估计量;并证明此估计量在一定正则条件下的渐近性质。进一步利用Monte Carlo模拟，表明AQR-HSM估计量能够在误差项分布的各阶矩不存在或异方差情形下，也能够提供稳健有效的估计结果。本文最后通过实证研究，说明AQR-HSM估计的实际应用价值。