常规的概率抽样调查方法能够较好地保证样本的随机性,但对包含稀有单元的总体进行抽样时,却因为随机性而不能有效地保证稀有单元的入样数量,进而影响后续的统计推断。逆抽样方法则为解决这一问题提供了新的思路,特别是广义逆抽样在传统逆抽样设计的基础上加以改进,更具实际应用价值。目前,传统逆抽样的估计方法大多是基于设计的理论研究,而对广义逆抽样估计的研究也是从传统逆抽样估计拓展而来。本文立足于广义逆抽样设计来讨论基于模型辅助的逆抽样估计理论,利用多变量的辅助信息建立广义线性回归模型,利用辅助变量来调整研究变量,以构建广义回归估计量及其方差估计量。通过与Murthy估计量的方差估计量进行比较,从理论上说明广义回归估计量方差更小。随后,进一步考虑总体的数据特征,即稀有与非稀有子总体间通常是存在差异的,将样本单元的“稀有”作为其本身的一种属性,并以虚拟变量的形式引入超总体回归模型中。构建基于模型辅助的考虑虚拟变量的新型广义回归估计量,给出相应的方差估计量。对广义回归估计量和考虑虚拟变量的新型广义回归估计量的方差估计量进行比较,从理论上说明了DVRE估计量方差更小。最后,通过数值模拟,对比说明了广义回归估计量的估计精度较基于设计的Murthy估计量有一定的提升。而本文提出的考虑虚拟变量的新型广义回归估计量则在此基础上有更大提升,也是证实了对Murthy估计量与本文提出的两种模型辅助估计量的方差估计量的理论探讨的结果。将上述理论应用于我国企业调查中,通过实际数据证实了两种模型辅助估计量的优势。鉴于有关经济社会的实际调查中研究对象往往更加复杂,在应用过程中需要对数据特征进行详细了解,以研究并选择更为合适的划分稀有与非稀有的方法,尽可能的提高估计量的精度。后续在推广运用这一套改进的逆抽样设计及其估计方法进行调查研究时,还可以从其设计和估计方法进行更为深入的研究,以增强实际应用的有效性和广泛性。