Logistic回归模型在医学研究及应用中有广泛应用,尤其在病例对照数据中探究某一因素的诊断性能(Receiver Operating Characteristic,ROC)曲线时更是如此。但是在通常的诊断测试中,当研究某一因素的诊断性能时,往往会受协变量的影响,此时要充分利用协变量这一辅助信息。例如,当研究某一地区的患病因素的诊断性能时,受某些条件制约,可获得的数据十分有限,由现有数据得到的统计推断的结果往往不够准确或精确。此时,我们可以借助现有的相邻地区的这一患病因素的相关数据;或者当研究某一人群患病因素的诊断性能时,我们可以考虑该因素的不同年龄层的诊断性能等进行研究。本学位论文从有效地利用现有数据为出发点,研究基于分层对照数据下Logistic回归模型在ROC问题中的统计建模理论、方法及其应用问题,得到了如下成果。论文借鉴不分层对照数据下Logistic回归模型中的ROC曲线的研究理论和方法,讨论分层对照数据下两种Logistic回归模型中的ROC曲线问题。借助现有信息,将现有信息与试验信息进行分层处理,由于不同层间的暴露因素对疾病的影响程度未必总是一致的特征,提出不同层间相互独立,即每层间的回归系数不一致的分层对照数据下Logistic回归模型I和不同层间的暴露因素与疾病间仅存在混杂效应,即每层间的回归系数一致的Logistic回归模型II。我们分别给出了两个Logistic回归模型中的协变量调整后的ROC曲线的参数估计,非参数估计以及半参数估计的方法,并给出了协变量调整后的ROC曲线的半参数估计渐近理论及其证明;证明了在模型I中的协变量调整后的ROC曲线的半参数估计的渐近效率优于非参数估计的渐近效率等。通过数值模拟,给出了模型I和模型II中的协变量调整后的ROC曲线下的面积的半参数Bootstrap区间估计,协变量调整后的ROC曲线的三种估计的功效,得到了半参数估计优于通常的非参数估计和一般的参数估计的结论。将结论应用到实际。