在许多实际问题的研究中,比如：民意测验、抽样调查、生存分析、医学统计、生物学研究等,由于各种原因都会产生大量的数据缺失,因此数据缺失下的回归模型的研究仍是当今统计学研究的热点之一EV (erros-in-variables)模型也叫测量误差模型,是自变量和响应变量同时出现误差的模型,然而在现实生活中,获得的数据往往带有误差,因此数据缺失下的EV模型更符合实际情况,具有现实的研究意义.本文主要研究响应变量随机缺失机制下线性EV模型的经验似然推断,一方面对参数β进行推断,分别是基于完全观测数据方法、基于加权的经验似然方法、基于逆概率加权的方法和正态逼近四种方法构造参数的β置信区间.另一方面对响应变量均值θ进行统计推断,分别采用线性回归补足的方法、基于加权、基于逆概率加权、正态逼近的四种方法构造响应变量均值θ的置信区间.最后通过Matlab软件进行数值模拟,模拟结果表明：在不同缺失状态下,经验似然方法给出的参数置信域比正态逼近方法给出的参数置信域的覆盖率和平均长度有更好的表现,采用逆概率加权的经验似然方法较其它三种方法具有较高的覆盖率和较短的置信区间长度.本文的创新之处：在讨论响应变量缺失情形线性EV模型参数β的构造时,采用-种新的逆概率加权的补足方法,证明了基于此方法构造的参数β的经验对数似然比统计量的渐近分布为卡方分布,利用此结果构造的参数置信域不需要调整,从而提高了参数估计的精度;采用逆概率加权的方法同时构造了响应变量均值θ的经验对数似然比统计量,证明其统计量渐近于标准x2分布,利用此结果构造参数θ的置信区间；分别采用另外三种方法构造参数β和θ的置信域,数值模拟显示逆概率加权方法优于其它方法.