在许多大型队列研究中,关键协变量的观测往往花费昂贵.在预算有限的情况下,研究人员需要寻求一种节约成本、提高效率的抽样方法来解决这个难题.基于因变量抽样设计(outcome-dependent sampling design,以下简称“ODS抽样设计”)是一种回溯性抽样机制,其基于因变量的观测值来决定是否对个体的协变量进行观测.这种ODS抽样在获取研究对象全局信息的同时,能将资源集中在包含有最多的协变量与因变量关系信息的研究群体上.因此,这种有偏抽样方式能有效地提高研究效率、节约研究成本.广义线性模型是经典线性回归模型的直接推广.通过假定因变量服从指数族分布以及引入一个联系函数来建立因变量的条件期望与线性预测之间的关系,广义线性模型在大量研究领域得到了更为广泛的关注和应用.然而,基于广义线性模型的ODS抽样设计的研究还不多见.本文主要研究如何利用广义线性模型拟合基于经典ODS抽样和两阶段ODS抽样获得的数据,建立相应的统计推断方法,探讨估计的渐近理论.通过统计模拟研究所提出估计方法在有限样本情况下的表现.将提出的方法应用于实际数据分析,展示其在实际中的应用价值.本文结构安排如下:第一章中,介绍本文的研究背景,综述研究方向发展现状,总结前人已有工作,提出本文的主要工作以及创新之处.第二章中,在经典ODS抽样设计方法下,提出广义线性模型回归参数的一种半参数经验似然推断方法,并建立估计方法的渐近理论.第三章中,在两阶段ODS抽样设计方法下,综述广义线性模型回归参数的半参数经验似然估计以及其渐近性质.第四章中,通过统计模拟评估上述两种ODS抽样方法在有限样本情况下的表现.第五章中,将提出方法应用于分析两个实际数据—肾母细胞瘤数据和纽约空气质量数据.第六章中,对本文主要工作进行总结,并对未来研究工作进行展望.