统计模型的参数估计问题一直是统计学研究的重点，当样本不存在观测误差时，目前，我们有很多方法可以有效的估计出模型参数.然而，在实际问题的应用中，我们所得到的观测样本往往是存在观测误差的.所以，当观测样本存在着不同程度的观测误差，如何有效的估计出模型参数一直是统计学者面临的问题.在这篇文章中，我们主要研究协变量带有观测误差(erros-in-variable)的情况，这样的统计模型，简称为EV模型. 在本文中，介绍两种求参数估计的方法：Stefanski方法和Stein方法.Stefanski(1985)，针对线性和非线性模型，假定参数估计是基于M-估计(M-estimator)的，总结出—个通式.Whittemore(1989)提出了一种非常简单的参数估计的方法，其基本思想是：当观测误差来自方差已知的高斯分布时，用基于带有观测误差的观测样本的Stein估计代替不可观测的协变量的真实值，再通过估计方程来求解参数的估计值. 在这篇文章中，还介绍了如何利用经验似然方法求参数的置信区间.经验似然方法是统计推断中的非参数方法.对于来自未知分布族中的样本，我们可以用似然的方法去处理这些数据，经验似然是一种非常有效的方法.Cui(2003)提出了用经验似然方法处理线性EV模型，得出估计参数的经验似然置信区域. 本文第一章详细的介绍了Stefanski估计的应用. 本文第二章详细介绍了Stein估计的使用，以及比较了Stefanski估计和Stein估计在实际应用中的效果，数据模拟的结果显示：Stefanski估计在一定程度上减小了估计的偏差，但却损失了一部分估计的有效性.相对Stefanski估计，Stein估计是比较稳定而有效的估计. Stein估计是针对在不同的观测点上观测误差都相等的情形，对于在不同的观测点上观测误差不相等的情况，本文作者提出了基于观测方差的加权的Stein估计，在第二章中，比较了依然采用原始的Stein估计和经过加权估计方程改进过的Stein估计(记为New-Stein)的不同的估计效果，数据模拟结果显示，当样本容量较小时，原始的Stein估计是非常不稳定的，经加权估计方程求得的估计New-stein估计在估计的有效性和稳定性明显优于前者.当样本容量较大时，原始的Stein估计还是可以适用的，但其稳定性不如New-stein估计. 本文第三章首先简单介绍了经验似然方法的定义和应用，然后将将经验似然方法应用于EV模型，数据模拟结果显示，经验似然置信区域的覆盖率明显高于由渐进正态分布求出的置信域的覆盖率，而且当样本容量n从20到50时，经验似然方法的效果十分显著.对于一维的情形，经验似然置信区间的长度明显短于由渐进正态分布求出的置信区间的长度.