该文研究了存在删失数据的线性转变模型的统计推断问题.线性转变模型(该文简称之为LT模型)假设 其中T为生存函数,H为未知的单调上升转变函数,Z为p维协变量,β为p维未知的回归参数向量,ε为误差项.假设e<ε>服从参数为γ的Pareto分布时,则在极限情形γ=0时,ε服从极值分布,此时模型退化成著名的比例危险率模型;而当γ=1时,ε服从logistic分布,此时模型退化成比例交比模型,LT模型以这两类重要的模型为其特例,并且还包括了不少其他的有用的模型.文献中对ε分布已知的情形已有深入的讨论,具体可见Chen et al.(2002)及其中引用的文献.但是在一般的LT模型中,对于ε分布未知的情形,由于未知的量较多,其统计推断非常困难,该文将就此问题展开详细的探讨.我们考虑ε服从含有有限维参数θ的分布,首先讨论了θ的可识别性问题,给出了θ可被识别的一个容易验证的充分条件.进而我们提出了估计H、β和θ的一套估计方程,人出了求解这些方程的计算机算法,讨论了估计量的极限性质,证明了估计量是渐近正态的,并且其极限协方差阵可以被相合地估计.另外还讨论了参数的假设检验问题.我们还讨论如下的多元LT随机效应模型:其中T<,j>是家庭的第j个成员的生存时间,Z<,j>为相应的协变量.ω是该家庭的公共随机效应,ω<,j>为第j个成员的随机效应,e<,j>为第j个成员的随机误差.假设ω与-ω<,j>+e<,j>独立,且-ω-ω<,j>+e<,j>服从参数为θ的分布,针对θ是否可被识别这两种情形,我们分别给出了估计H、β和θ的一套估计方程,这些方程是基于边际模型仍然为LT模型这一事实的.我们提出利用残差来估计公共随机效应的方差.对于一类重要的数据——配对数据,上述方法不适用,我们将修正估计方法,以便其适用于配对数据.;考虑到可能有些估计量的极限性质复杂,其相合极限协方差阵估计不精确甚至无法估计极限协方差,我们利用随机加权法以逼近估计量的极限分布,这样可以更方便地进行一些统计推断,如构造估计量的置信区间、进行参数假设检验.最后我们进行了大量的随机模拟以研究提出的方法的有限样本性质,并将这些方法应用于美国退伍军人肺癌数据和白血病缓解数据.