随着通讯和信息技术的高速发展,全球数据爆炸式地增长。面对铺天盖地的大数据,有效的数据分析与挖掘将推动企业、国家乃至整个社会的高效、可持续发展。值得强调的是,在大数据分析与挖掘任务中,统计回归分析的相关研究受到更为广泛的关注和重视。对海量数据进行统计回归分析,为统计研究人员提供了前所未有的挑战和机遇。关键挑战在于,现有计算机的计算能力和存储能力有限,将传统的统计回归方法直接应用于海量数据集是不可行的。因此,在海量数据背景下,研究海量数据统计回归方法,解决其建模过程中的技术难题,对于揭示社会和经济的复杂模式等,具有重要的理论意义和实践价值。本文选取“海量数据下统计回归方法研究”为主题,综合应用统计学和计量经济学等学科知识,采取理论分析,模拟研究和应用研究相结合的范式,将经典的统计回归方法扩展海量数据集上,并取得了好的数值研究结果。本文的主要贡献如下:（1）将众数回归方法扩展到海量数据集上,提出一种计算高效和统计有效的分块融合众数回归方法。这种方法的新颖之处是:首先将一个完整的数据集分成几个块,然后对每个块数据实施众数回归方法,最后通过加权平均的方式得出最终结果。提出的方法可以显着减少所需计算机的运行内存和计算时间,并在理论上证明了该估计量与全样本数据集上众数回归估计量一样有效。进一步,还研究了一种多重假设检验变量选择方法,识别模型的非零参数,并在理论上证明该方法具有oracle性质。此外,为提出的方法提供了一种实用的改进众数期望最大化算法。最后,利用模拟研究和真实数据分析检验了所提估计方法的有限样本表现。（2）研究了复合分位数回归的最优子抽样算法。首先从一般的子抽样样算法建立估计量的渐近性质,然后根据L-最优准则和A-最优准则导出两个版本的最优子抽样概率。由于前者不依赖于响应变量的密度函数,因此在计算上很容易实现。基于最优子抽样概率,开发了一种两步算法并研究了其估计量的渐近性质。此外,在L-最优性准则下,提出了一种联合子样本算法。该算法具有很大的可扩展性以利用可用的计算资源。使用联合子样本算法来计算估计量的标准差,并且该估计量可以显着提高估计效率。对模拟数据和真实数据进行了数值研究,以评估和展示提出方法的实际性能。（3）建立了分块融合复合分位数回归神经网络（DC-CQRNN）模型。首先,给出了 DC-CQRNN完整的建模步骤。然后,通过模拟研究表明,DC-CQRNN方法的预测结果不仅与全样本复合分位数回归神经网络基本相同,而且在预测精度上明显优于分位数回归神经网络、人工神经网络、支持向量机和随机森林。此外,在计算上,DC-CQRNN方法可以显着减少对主存量的需求,同时也显着减少了计算时间。最后,将DC-CQRNN方法应用于环境数据集,该方法完成模型训练仅需要8分钟,而完整的数据集CQRNN需要5.27小时才能得到结果。实现了对PH2.5及时和准确的预测。