本团队采用右删失数据下的线性模型的贝叶斯经验似然,构造了模型参数的贝叶斯经验似然置信区间和相应算法, 并给出了贝叶斯经验似然后验的渐近分布.模拟展示了算法的收敛性,且比较了该方法与另外两类置信区间(经然似然和Wald型)置信区间的覆盖率, 贝叶斯经验似然置信区间具有更精确的覆盖率. 然后基于Spike-and-slab先验, 使用贝叶斯分层模型, 给出删失数据下的线性模型参数的贝叶斯变量选择. 模拟研究中, 展现了流行算法与贝叶斯变量选择算法在有限样本中的效果,体现了贝叶斯变量选择更高的精确度和正确识别率. 此研究成果发表于SCI期刊《International Journal of Biomathematics》。

（2）第二部分研究了I型区间删失数据下的部分线性模型经验似然统计推断，运用无偏转换的方法，将区间删失数据类型转化为完整数据，再应用经验似然的计方法来估计参数，其中运用核估计消除部分线性问题，证明了经验似然方程的卡方渐近性，得到了参数覆盖率，QQ图拟合效果较好。并在模拟和实证中得到了验证。此研究成果发表于CSSCI期刊《统计与决策》。