缺失数据普遍存在于多个领域中.而不可忽略缺失数据,即在给定观察到的数据信息后数据缺失概率仍与缺失数据本身有关,是最难处理的一类缺失数据问题.当存在不可忽略数据缺失时,Robins and Ritov（1997）证明了,为了识别所有的未知参数,原始的数据模型和数据缺失概率模型中至少有一个模型需要具有参数形式.而即便存在参数模型假设,参数模型也仅在一定的条件下才可识别.现阶段,不可忽略缺失数据的可识别性问题仍然是一个棘手的问题.近些年来,Wang et al.（2014）,Zhao and Shao（2015）和 Miao and Tchetgen Tchetgen（2016）在Tang et al.（2003）的基础上提出基于“工具变量”的方法来解决模型可识别性的问题.这类工具变量方法也为不可忽略缺失数据的研究开辟了新的思路和方向.具体来说,工具变量的定义是一个与缺失概率模型无关但与数据模型有关的协变量向量.在满足一定的条件下,工具变量可以帮助识别不可忽略缺失数据问题中的未知参数（Wang et al.,2014;Zhao and Shao,2015）.本文的目的在于,从多个角度研究工具变量方法处理不可忽略数缺失数据问题,从而帮助完善工具变量方法的理论体系,并拓展该类方法的实际应用性.主要的研究工作如下:第一,很多关于工具变量方法的研究均假设工具变量是已知的或者所需的参数模型是固定的,这类假设在实际应用中可能是不适用的.而错误选择工具变量或者参数模型均可能导致工具变量方法失效.在此,我们讨论该类方法中的工具变量搜索和参数模型选择的问题.首先,在仅有数据模型具有参数形式而数据缺失模型是非参数形式时,我们假设工具变量未知.基于Tang et al.（2003）和Zhao and Shao（2015）提出的伪似然方法以及协变量的经验分布,我们构造出两个关于候选工具变量的条件分布,并提出一个最大比准则来搜索工具变量.同时,我们证明了该搜索方法具有变量选择的相合性,即依概率趋于1使得选出的变量等于真实的工具变量.其次,我们进一步假设数据模型的参数形式也不固定.通过对数据模型的密度函数进行分解,我们将工具变量搜索的方法结合到模型选择问题中,从一组候选模型中选择出正确的数据模型,并剔除协变量中与数据模型无关的干扰变量,从而得到无偏且更有效的的参数估计和统计推断.第二,在仅有数据模型具有参数形式而数据缺失模型是非参数形式时,Zhao and Shao（2015）提出的伪似然方法是处理不可忽略缺失数据问题的常用方法之一,而我们提出的工具变量搜索的方法也是以伪似然方法为基础的.由于伪似然方法在运用过程中需要对协变量的联合分布进行估计,故而伪似然方法在处理高维协变量方面的表现并不稳定.为了扩展伪似然方法和工具变量搜索方法的实际应用性,我们利用非参数核回归方法重新估计伪似然方法中的似然函数,以避免对协变量的联合分布做任何参数模型假设.同时,我们将该方法与充分降维方法结合,以提升未知参数估计的稳定性.基于充分降维和伪似然方法的理论性质,我们建立了降维后的伪似然参数估计的相合性和渐近正态性.第三,在解决了工具变量搜索和模型选择这两个关键问题后,我们考虑将工具变量方法进一步推广到一些估计方程中含有不可忽略缺失的情况.我们首先讨论当协变量中含有不可忽略缺失数据时估计方程中未知参数的统计推断问题.基于工具变量,我们可以运用伪似然方法来估计给定已观测协变量下缺失协变量的条件分布,并以此来构造无偏的估计方程.然后根据修正后的估计方程和经验似然方法,我们能得到有效的参数估计.由于并未对数据缺失概率模型有任何假设,因此该方法属于半参数方法.我们通过理论推导证明了该方法可以被应用到两类常用的估计方程中,同时也证明了估计参数的渐近性质并构建经验似然比检验统计量.最后,我们继续讨论估计方程的参数估计问题,区别在于该问题中响应变量中含有不可忽略数据缺失.该研究的目的在于通过工具变量来解决模型的可识别性问题,并尝试利用附加信息,例如协变量的总体均值已知,来提高参数估计的有效性.在倾向模型具有参数模型的假设下,我们利用广义矩方法估计缺失概率,并构造半参数似然函数.同时,我们参照Qin et al.（2002）的半参数似然方法将估计方程和一些附加信息作为限制条件,从而估计未知参数.同样地,我们也构建了估计参数的渐近理论性质.针对本文提出的几种方法,我们分别通过模拟随机试验和实例分析来验证方法的可行性,并得到了具有可解释性的结论.