区间删失数据是生存分析中的一类重要复杂数据.当因各种条件的制约无法对感兴趣的事件进行持续观测,而只能进行间断性观测,不知道事件发生的精确时间,而知道它处于某个区间当中,则这类数据即为区间删失数据.这类数据广泛存在于生物、医学、人口统计学、经济学和社会学等诸多领域.比如:癌症病人的肿瘤产生时间、产品的失效时间,通常无法精确观测,而只知道位于相邻两次检查之间.一般来讲,右删失数据、左删失数据、现状数据,都可看作区间删失数据的特例.由于区间删失数据独特的数据结构和复杂的删失机制,使得传统生存分析中那些基于右删失数据的模型假设和推断方法不一定适用,因此,分析区间删失数据要比分析右删失数据困难得多.近年来,关于区间删失数据的推断方法引起了统计学者的广泛关注,学者们提出了很多模型和方法.但是,现有的研究还很不完善,存在模型假设过于严苛,估计方法不够稳健等问题.本文在前人研究的基础上,针对一种较为宽泛的模型—半参数转移模型,从模型的拓展和方法的改进方面,研究其中的参数估计和模型选择问题,以此进一步完善区间删失数据统计推断的理论框架,并为相关应用领域提供实用的方法支撑.本文的研究内容主要包括三个方面,分别为半参数线性转移模型下区间删失数据的回归分析、带随机效应的半参转移模型下分组区间删失数据的稳健回归和半参数线性转移模型下相依现状数据的稀疏估计.首先,线性转移模型是生存分析中一类重要的半参数模型,它包含了 Cox 比例风险模型、比例优势模型和Probit模型等一些常见模型,应用非常广泛.关于这种模型下区间删失数据的回归分析,现有的方法大多涉及对条件生存分布的估计,因此只适用于协变量为离散变量情形.本文引入倾向得分方法构建了一类新的无偏估计方程,并在此基础上给出了回归系数的估计,这个新方法不再限制协变量的类型,对离散型协变量和连续性协变量都适用.此外,本文证明了所得估计量的相合性和渐近正态性,并通过数值模拟和两个实际数据例子说明所提模型和方法的合理性.接下来本文对线性转移模型进行拓展,在一类更一般的带随机效应的半参数转移模型下讨论分组区间删失数据的稳健回归问题.在这个模型中,响应时间的变换是未知的单调函数,误差和随机效应的分布是也是未知的.这些宽松的假设使得这种模型具有更广泛的适用性,现有的很多模型都可看作这种模型的特例.在此模型下,我们提出了一个基于最大秩相关的稳健估计方法,同时采用Nelder-Mead单纯形算法来进行参数估计,并论证了估计量的相合性和渐近正态性.文中的模拟试验验证了所提模型和方法的合理性.此外,我们还将所提的模型和方法应用于尼日利亚人口与健康调查数据和淋巴丝虫病数据的实证分析,得到了一些有意义的结果.最后,本文讨论了线性转移模型下相依现状数据的稀疏估计问题.我们提出用Copula模型刻画事件发生时间和删失时间之间的相关性.在估计过程中,我们采用了一种两步估计方法,首先对删失时间的分布进行估计,并使用基于伯恩斯坦多项式的Sieve方法对事件发生时间的基准风险函数进行估计,再采用BAR惩罚函数来构造惩罚Sieve极大似然函数,以此实现同时变量选择和参数估计.此外,我们证明了回归系数估计的Oracle性质,并通过数值模拟验证了所提变量选择方法的合理性,我们还将所提方法应用于阿兹海默症的研究数据的分析,得出了一些合理的结果.