分位数回归与均值回归相比,由于前者不需要对误差分布作特定假设,因而具有稳健性.然而,分位数估计和最小二乘估计的相对效可以任意小.复合分位数回归方法被提出用于克服这一缺点.缺失与删失数据作为现实生活工作中常见的现象,已经成为了统计学的重要研究内容.本文基于复合分位数回归方法,研究了不完整数据结构下的参数及半参数模型.具体来说,本文研究了以下四个问题:在第二章中,针对协变量随机缺失的线性模型,结合逆概率加权与复合分位数回归方法,考虑了该模型参数估计问题.进一步,为了识别未知参数中的显著系数,基于自适应Lasso,提出了惩罚的加权复合分位数估计.在一定条件下,建立了所提估计的渐近正态性,Oracle性质以及Horvitz-Thompson性质.最后,利用数值模拟和实际数据分析检查了所提出估计方法的表现.在第三章中,针对响应变量右删失且协变量维数发散的线性模型,结合逆删失概率加权方法、复合分位数回归方法与SCAD惩罚函数,提出了一个新的变量选择方法,并提出一个迭代算法用于最小化目标函数.在一定的条件下,证明了提出的估计具有（？）相合性与Oracle性质.最后利用数值模拟和实际数据分析讨论了该方法的可行性.在第四章中,针对响应变量右删失的部分线性可加模型,通过多项式样条逼近非参数函数,提出了一个新的稳健估计方法.为了识别线性部分的显著变量,基于自适应Lasso,提出了一个正则化方法.在一定条件下,建立了参数估计的渐近性质与Oracle性质,证明了非参数部分具有最优的收敛速度.最后利用数值模拟和实际数据分析讨论了提出的估计的数值性质.在第五章中,针对协变量随机缺失的单指标模型,利用局部线性回归、复合分位数与逆概率加权技术,对未知参数与未知函数提出了新的估计方法.在一定条件下,证明了估计的渐近正态性.对于参数部分,使用估计的选择概率得到的逆概率加权估计与使用真实的选择概率得到的逆概率加权估计相比,前者的渐近协方差阵更小.也就是说,参数部分的逆概率加权估计具有Horvitz-Thompson性质.然而对于未知函数部分,不管选择概率已知还是未知,得到的逆概率加权估计具有相同的渐近方差,也就是说Horvitz-Thompson性质不成立.最后,利用数值方法研究了所提出估计的有限样本表现.