本文考虑的是当响应变量为随机缺失条件下的变系数部分线性模型.控制系统中，在研究包含一个输入变量和一个输出变量的系统时，为了探讨输入变量对输出变量的影响，以及不同时刻输出变量间的相互作用，进而预报将来时刻的输出变量，张日权[1]提出了变系数部分线性回归模型.它可以看成是部分线性回归模型的推广，也可以看成是带有不同光滑变量的变系数回归模型.它由两部分组成：一部分用于说明输入变量对输出变量的影响，称之为常数项函数；另一部分用于说明不同时刻输出变量之间的相互作用，称之为变系数部分，相应的系数称为系数函数.实际中人们所要研究的数据矩阵中总有某些位置上没有观测值的情形，比如调查中单元或项目的不响应.本文探讨了响应变量为随机缺失的情况下变系数部分线性回归模型的估计问题.所讨论的变系数部分线性回归模型定义如下Yi=α0(Xi)+p∑j=1αj(U1)Zij+ε1,i=1,…,n. {（Yi，δi，X1，U1，Z1）}n1=1是一组来自上述模型非完整数据的随机样本，其中，当Yi可观测时δi=1；当Yi不可观测时，δ1=0，Zi=(Zi1，…Zip)T，{αj(·)}p1=0是一些R上的可测函数，α0(·)称为常数项函数，{αj(·)}Pj=1称为变系数函数(系数函数)，{εi}ni=1是随机误差，且独立同分布，E(ε1)=0，Var(ε)=σ2. 本文中假设因变量Y是随机缺失的，这表明，对于给定的(X，U，Z)，δ和Y是条件独立的，即选择概率P(δ=1｜Y，X，U，Z)P=(δ=1｜X，U，Z)≡π(X，U，Z)＞0. 本文讨论了如下三个问题： 1)基于完整数据下的估计.主要使用了局部线性方法和平均技巧给出常数项函数和变系数函数两部分的估计，证明了各个估计量的渐近偏差和方差. 2)加权局部线性估计.采用选择概率的倒数作为加权.同样使用局部线性方法和平均技巧给出常数项函数和变系数函数两部分的估计，进而证明各个估计量的渐近偏差和方差. 3)回归借补估计.方法分两步：首先基于完整数据，来补足缺失值.接着令Yi为下式来补充完整数据，以达到充分使用信息的目的. 再使用与第一步相同的技巧，得到所要的α0(·)和αj(·)的精估计.同样证明了两部分估计量的渐近偏差和方差.