近年来,含有指标项的半参数回归模型是高维半参数统计模型中非常重要的模型之一,无论是理论研究还是实际应用,都受到了广大学者的关注。半参数模型主要包括单指标模型,部分线性单指标模型,单指标变系数模型以及变系数单指标模型等。单指标模型主要通过降维技术将高维数据转化为一元指标变量,解决高维问题,从而能够有效避免“维度灾难”。单指标模型不仅可以保持模型结果良好的可解释性,同时又具有非参数模型的灵活性,可以很好的反映响应变量和高维解释变量之间的关系。现在关于此类非参模型的估计方法主要是基于似然方法、最小二乘法以及剖面似然方法,但是当随机误差非正态分布或者数据存在异常值时,模型的估计精度将会降低很多。同时,均值回归模型只能描述响应变量的平均水平,而分位数回归则可以更加细致的对响应变量的条件分布进行描述,提供更多的信息,并且可以降低异常值对模型结果的影响。此外,现有的模型很少有研究离散解释变量的,这在解决实际问题时有一定的缺陷。因此,本文结合单指标分位数模型研究了含部分离散解释变量的单指标分位数模型及其估计问题。为了得到更加全面稳健的系数估计值,本文将研究含部分离散解释变量的单指标分位数模型的估计方法,从以往的研究可知,分位数模型的估计通常是利用最小化分位数损失函数之和来得到模型系数和连接函数的估计,但是本文的模型里含有离散解释变量,这使得估计过程变得复杂。因此本文结合单指标模型里对离散解释变量的直接估计法,对离散解释变量构造新的集合Sz,在给定的z∈Sz时采用均值导数法对连续解释变量估计,再结合Horowitz和Hardle(1996)提出的直接估计法来对离散解释变量的系数进行估计,最后采用局部线性分位数回归的方法对连接函数进行估计。在一定条件下,本文选择了 0.1,0.3,0.5,0.7这四个分位点,通过模拟实验说明此方法在小样本估计中的有效性,同时通过实例分析验证了此方法在实际建模中的优点。