有限半参数混合模型因其极其灵活的模型假设,自提出以来在理论研究和应用方面都得到了越来越多的关注。确实,在实际问题中,如金融、经济、社会科学和生物医学等领域,我们经常遇到异质总体的数据,那么在异质总体中,双成分混合模型就变成了重要的统计分析工具。本文中,我们将着重研究一类被高频引用的双成分半参数混合模型。在研究了一些已有的参数估计的方法后,我们提出了一种新的稳健估计方法:基于连续尺度混合的估计方法。所提的新估计方法假设模型中的未知分布来自于一类丰富的连续正态尺度混合分布族F。利用Lindsay(1983a)的结论,我们论证了未知密度测度的非参数极大似然估计的存在性和唯一性,并结合Wang(2007)提出的CNM算法,提出了我们的新方法。本文另外介绍了Xiang et al.(2014)提出的基于最小剖面Helliger距离的估计(MPHD)、Bordes et al.(2006)提出的利用对称化和矩方法的估计(Symmetrization)、以及Song et al.(2010)提出的由EM算法驱动的核密度估计(EM-type)和使得π最大化的核密度估计(Maximizingπ-type)这四种估计方法,并在模拟实验与实证分析中,将我们的方法同时与这四种方法作比较。结果表明无论成分模型未知、未知模型是否属于混合分布族F、未知模型重尾、未知模型是非正态分布或数据包含异常值等情况下,我们的方法均能够提供稳健的估计。本文的主要贡献可以从以下三点进行阐述:一、本文研究的一类双成分混合模型中,假设其中的一个未知分布来自于一个包含了所有单峰对称概率密度分布的F分布族。基于这种假设,我们论证了此模型的可识别性。使用这种新的建模方法,我们可以适当地避免传统参数混合模型中的错误指定问题。二、在非参估计的CNM算法的基础上,本文提出基于连续尺度混合的估计方法。文章简述了算法的基本理论和实现步骤,并证明了算法的递增性质,为我们提出的方法增强了理论依据。三、与一些现有的半参数估计方法不同,我们所提出的方法不需要对似然性进行任何修改或平滑,另外在模拟和实证分析中证明了所提估计方法的优越性,且在成分模型未知或数据包含异常值等情况下,能够提供稳健的估计量。