部分线性变系数模型是重要的半参数回归模型,既保留了非参数模型适应性强、回归稳健的优点,又有参数模型易于解释的特点。该模型中不仅有参数分量还有非参数分量,可以反映当模型中只有部分的系数随着某个变量变化而变化的情况,更加贴近现实中的数据状况。在实际的统计工作中,因某些不可控因素往往会造成数据的缺失,如果采取完全数据法,会损失大量信息,使得估计效果差。经过学者们的研究发现使用逆概率加权是一个有效的方法,所以本文使用该方法来处理协变量随机缺失的数据。分位数回归估计可以弥补最小二乘估计对离群点敏感、模型假设多等缺点,得到学者们的广泛应用。本文针对协变量随机缺失的部分线性变系数分位数回归模型的参数和非参数估计问题,提出了将B样条和逆概率加权相结合的估计方法。在估计过程上,首先用logistic模型产生协变量随机缺失的缺失概率,然后对部分线性变系数模型的非参数部分采用B样条逼近技术,利用缺失概率构建逆概率加权分位数回归的损失函数,得到模型的非参数函数的估计。在模拟研究中考虑了当缺失概率已知时、用非参数方法估计缺失概率以及用参数方法估计缺失概率三种情况,得出非参数分量以及参数分量的估计,发现在协变量随机缺失下,将B样条和逆概率加权相结合的部分线性变系数分位数回归模型在有限样本情况下表现良好,表明该估计方法有效。同时证明了该估计方法在某些条件下非参数函数部分的收敛性以及参数部分的渐近性质。最后将所研究的估计方法应用到2019年重庆市的臭氧含量与气象因素的相关数据中,研究了臭氧含量与气压、气温、日照时数、湿度以及蒸发量之间的关系,因变量间的关系较为复杂,因此分别从线性关系、非线性关系和交互作用影响三个角度研究,得出有效的建模结果,更好的反映了重庆市的臭氧含量与气象因素之间的回归关系,进一步证明了估计方法的合理性。