统计模型是数据分析的重要工具，模型选择则是统计学研究的核心问题之一正如英国统计学家George E.P.Box所言，“所有模型都是错的，但其中有一些是有用的”、我们很难找到一个在任何情况下，表现都很出众的模型，而模型平均作为模型选择的推广形式，能帮助我们克服模型选择的不确定性，得到更加稳定和精确的估计或预测。随着科技的进步，人们收集到的数据更加海量和多元，建立的模型也更加复杂。本书基于复杂的数据和模型，进一步拓展了模型平均理论，研究成果主要包括以下几个方面：（1）研究高维纵向数据的半参数模型，以预测误差最小化为目标，首次提出了双权重的删组交叉验证准则，并基于这一准则证明了所提出删组模型平均估计量的渐近**性。数值结果也表明本书所提出方法比其他常用的模型选择或模型组合方法表现更优；（2）基于经济和医疗上常用的处理效应模型，针对条件平均处理效应的估计，提出了相应的OPT模型平均准则。建立了这一准则下**的模型平均估计量，证明了其渐近**性，数值模拟上包含与**模型平均方法的比较，结果显示，研究提出的估计量大多数情况下表现**；（3）对比了常用的模型平均方法和机器学习方法，一方面，进行了广泛的数值论证，对两种方法在不同设置下的表现进行了比较；另一方面，提出了综合两类平均方法优势的交叉验证（MTCV）组合方法，新方法能够自适应地给出较优结果。