随着大数据时代的到来，海量数据的出现，数据缺失的问题越来越严重。缺失数据给应用研究和统计分析带来了很大困扰。传统的统计分析方法不能直接应用到缺失数据的处理中，不恰当的处理缺失数据，会导致错误的结论。因此，缺失数据的处理一直以来都是统计学的前沿和热点问题。本文考虑缺失数据下转换模型的统计推断问题，我们采用逆概率加权光滑最大秩相关估计方法来估计转换模型中的感兴趣参数，并对所提出估计量的渐近正态性和相合性进行了证明。数值模拟和实际数据分析表明所提出的方法表现效果很好。
　　本文分为六章，第一章主要介绍论文的研究背景、意义以及国内外研究现状。第二章，我们对数据缺失的原因、缺失模式、缺失机制以及相应的处理方法进行详细介绍，并对逆概率加权的基本思想、最大秩相关的估计原理进行了描述。第三章提出了逆概率加权光滑最大秩相关估计方法，并给出了所提出估计的相合性和渐近正态性，且在第六章给出了相应的渐近正态性和相合性的相关证明。本文所提方法涉及到倾向得分函数，我们对其设定为参数模型。第四章我们通过数值模拟评估了所提出估计的有限样本性质。在本章，我们首先设定数据的缺失机制，然后分别对线性模型、对数转换模型和Box-Cox转换模型进行数值模拟，通过与完全案例分析法来比较所提方法的估计效果；并且通过设定不同的窗宽?，来检验所提估计方法对窗宽?的敏感性。在第五章中，将本文所提的方法应用于含有缺失数据的财务报表数据中，并通过与完全案例分析法的估计结果做比较，研究表明所提出的估计方法更加有效。