纵向数据广泛应用于医学、生物学、经济学和社会学等领域。纵向数据是指对同一组受试个体在不同时间或者空间上的重复观测而得到的有截面和时间序列融合在一起的数据，在不同个体间观测值是独立的，但同一个体的不同观测值可能是相关的。半参数回归模型中既有参数分量，又有非参数分量，在应用上比单纯的参数模型或者非参数模型有更大的适应性，因此纵向数据半参数回归模型成为医学，生物等领域备受统计学家关注的模型。目前这方面已经有很多文章，但是多数都是采用最小二乘估计方法，非参数核估计方法或者局部多项式方法来分别估计未知参数和未知回归函数。众所周知，当模型中异常点、回归因子、观测值数量、异常点数量等具备很大变动时，最小一乘估计较最小二乘估计稳健。本文基于半参数回归模型的可加性，尝试采用两阶段最小一乘估计方法进行研究。首先对一类特殊的纵向数据半参数回归模型：Yij=XTijβ+g(tij)十εij，(1)，()i，j，Eεij=0，Eε2ij=σ21<∞即：εij独立同分布，先将(1)变换成一个标准的线性模型，利用最小一乘估计得β的第一次估计量βn，并且由新模型的残差得出g(·)的估计量gn；最后将gn代回(1)，再次利用最小一乘估计得出β的估计量β，并在适当条件下，给出βn，β的强相合性、弱相合性以及gn的大样本性质；另外对一般的纵向数据半参数回归模型：Yij=XTijβ+g(tij)+εij，()i，j，Eεij=0，Eε2ij=σ21<∞，Eεijεis=σ22<∞当(j≠s)，Eεijεrs=0，当(i≠r)，给出二阶段最小一乘估计方法，由于最小一乘估计量的大样本性质具备很强的条件，所以目前暂时没能给出一般纵向数据半参数回归模型最小一乘估计量β的大样本性质，目前正在尝试采用模拟方法。