چکیده: مدل‌های نیمه‌پارامتری، به دلیل برخورداری از انعطاف‌پذیری مناسب و تفسیرپذیری، اغلب در تحلیل داده‌های واقعی مورد استفاده قرار می‌گیرند. دو مورد از رایج‌ترین مدل‌های نیمه‌پارامتری، مدل جمعی خطی-جزئی و مدل ضریب متغیر خطی-جزئی می‌باشند. استنباط آماری این مدل‌ها بر این شرط استوار است که اجزای پارامتری و ناپارامتری مدل از پیش تعیین‌شده باشند. اما در عمل چنین اطلاعات پیشین به ندرت در دسترس است، به ویژه هنگامی که تعداد متغیرهای توضیحی زیاد است. بنابراین لازم است روشی ارائه شود که بتواند مؤلفه‌های پارامتری و ناپارامتری را به درستی تشخیص دهد. در این رساله، به معرفی یک روش دو مرحله‌ای برای انتخاب متغیرهای مهم و تشخیص اثرات خطی و غیرخطی در مدل جمعی خطی-جزئی با بعد بسیار بالا پرداخته می‌شود. علاوه بر این، با استفاده از رگرسیون نما، یک روش نیرومند برای انتخاب متغیرهای مهم و تشخیص اثرات ثابت و متغیر در مدل ضریب متغیر خطی-جزئی ارائه می‌شود که نسبت به داده‌های پرت در متغیر پاسخ و توزیع غیر نرمال خطاها نیرومند است. کارایی روش ‌های ارائه‌شده با مطالعه شبیه‌سازی و تحلیل داده‌های واقعی بررسی شده‌است. نتایج به‌دست آمده عملکرد مطلوب روش‌های مذکور را در مقایسه با برخی روش‌های موجود نشان می‌دهند.