在试验设计中，传统的因子散度效应的估计和鉴别方法需要在各试验点重复试验下进行，主要是基于各试验点样本方差的对数对各因子建立回归模型，然后使用最小二乘法得到散度效应的估计，再用正态概率图，半正态概率图等方法鉴别出显著的效应.如果模型已确定，也可以使用极大似然法或约束极大似然法来估计散度效应.但在现实的生活和生产中，由于试验经费，试验条件等的限制，无法进行有重复试验.因此，在无重复试验情形下，怎样估计与鉴别散度效应成为近年来研究的热点.因为在无重复的试验中无法直接估计各试验点的方差σ2i，所以对散度效应的估计与鉴别就变得更加困难.　　对无重复因析试验的散度效应分析已经有了不少的方法，比如BM，BH，H，MH方法等.特别是， Brenneman和Nair(2001)在他们的综述文章中系统地研究了已有的各种估计方法的性质，通过模拟试验比较证明了MH方法在MSE的角度上是优于其它方法的.但是MH方法有其局限性，当位置效应模型拟合后得到的残差绝对值很小时，对残差的平方取对数就会变得很大，得到的散度效应的估计也就不可靠了.尤其是当残差小到零时，无法直接对残差平方取对数来进行估计，这种情况下MH方法不再适用.　　鉴于此问题，Davidian和Carroll(1987)提到可以借鉴Ruppert和Carroll(1980)文中的截断最小二乘思想来处理，但是没有给出具体的论述.Ruppert和Carroll(1980)提出当线性模型中随机误差服从重尾分布或存在错误观测值的时候，位置参数的普通最小二乘估计不再有效，进而提出了移去绝对值较大的残差，利用剩余残差来估计位置效应的截断最小二乘估计方法.本文就是在此基础上运用类似于Ruppert和Carroll(1980)提出的截断最小二乘思想，移走绝对值小的残差，然后再利用剩下的残差来建立散度效应模型，给出了其散度参数的截断估计，并且考虑了该估计的渐近性质，给出了它的渐近期望和渐近方差.接着通过模拟试验证明了此截断估计从MSE角度来说是优于其他方法的，但是我们注意到此估计是有偏的.因此，根据残差平方的分布的性质，又提出了对称截断估计，证明了此估计的无偏性.模拟试验表明，在某些模型下，截断估计比一般的MH估计有较小的MSE.