在遗传学、心理学、工程学以及生物医学等领域的研究中,传统的线性统计模型已渐渐不再满足研究人员的需求,对于非指数族非线性回归模型的研究已经逐步开展。非线性再生散度随机效应模型可以有效处理指数族回归模型难以处理的相关问题。此外,研究人员在实验中所得数据的维数也越来越高,收集到的数据还常常会存在数据缺失的情况。所以在数据分析中还需要对变量进行选择并对缺失数据进行处理。在查阅相关文献后,尚未见到对带有缺失数据的高维非线性再生散度随机效应模型的参数估计和变量选择等问题的相关研究。因此,本论文分别通过频率方法以及贝叶斯方法分别对带有缺失数据的高维非线性再生散度随机效应模型进行统计推断,这对于相关问题的研究具有一定的理论和实际意义。论文主要研究了带有缺失数据的高维非线性再生散度随机效应模型的统计推断问题。论文首先基于频率方法,利用惩罚似然估计方法结合MCEM算法对带有响应变量随机缺失的高维非线性再生散度随机效应模型的进行参数估计及变量选择,并证明了所采用方法的相关渐近性质及所需条件;然后基于贝叶斯方法,利用贝叶斯估计结合Gibbs抽样等方法对带有响应变量随机缺失的高维非线性再生散度随机效应模型进行贝叶斯估计;最后分别对两种方法进行模拟研究以及实例分析,以验证所采用方法的有效性。在两种方法的模拟研究中,选取不同缺失率,所得偏差绝对值基本控制在0.1以下,标准误差与均方根误差十分接近,也即参数估计接近于参数的真实值;同时两种方法在变量选择中可以有效地筛选重要变量,排除非重要变量。实例分析中,选取了一组实际工资收入数据,通过工资收入数据的分析结果,表明两种方法在响应变量存在一定程度的随机缺失时,均可较好地完成对参数的估计以及变量选择。