部分线性模型由Engle等人在1986年首次提出,之后有大量的研究与应用.广义线性模型由Nelder和Wedderburn于1972年提出,它是线性模型的重要推广.广义线性模型在社会、经济、生物和医学领域有广泛的应用.在实际问题中,数据常带有测量误差.另外,随着科技的发展,数据多以高维的形式出现.因此,关于带有测量误差的部分线性模型和高维广义线性模型的统计研究具有一定的实用价值.经验似然是由Owen于1988年提出的一种非参数统计方法.该方法有很多突出的优点,比如置信域形状由数据决定、Bartlett检验等.经验似然方法掀开了统计推断方法的新篇章,该方法已被应用到各种统计模型及不同领域中.近年来,高维数据成为一种常态,使用有效的变量选择方法从高维数据中挖掘重要信息成为关注的焦点.鉴于传统变量选择方法的特点,研究者提出了可以同时进行变量选择与参数估计的惩罚函数法并且该方法得到了广泛的应用.本文将惩罚经验似然方法应用到协变量都带有测量误差的部分线性模型和高维数据下广义线性模型中,推广了该方法的应用领域.通过最大化惩罚经验似然目标函数得到参数估计,并从理论和数值模拟两方面研究了估计的渐近性质.论文共分为三章,主要内容如下:第一章首先陈述了本论文的研究背景;接着回顾了本文使用到的相关知识和理论,详细介绍了经验似然,变量选择方法;最后列出了本文的主要工作.第二章讨论了参数部分和非参数部分都带有测量误差时,部分线性模型的惩罚经验似然估计.通过逆卷积核估计方法构造辅助随机向量,进而得到惩罚经验似然估计.理论和数值模拟证明了惩罚经验似然估计具有相合性和Oracle性质.与此同时,考虑假设检验问题,所构造的检验统计量的渐近分布为卡方分布.第三章通过适当的辅助随机变量研究了自适应Lasso下高维广义线性模型的惩罚经验似然.主要的结论有提出的方法具有Oracle性质以及在假设检验中构造的检验统计量的渐近分布为卡方分布.随机模拟以及实例分析表明,所提方法的效果是令人满意的。