回归分析是通过运用数据统计的方法，对大量观测数据进行一系列计算处理，从而确定所研究的因变量与一个或多个自变量间的定量关系，并最终建立一个函数表达式，在统计理论和实际运用中均具有举足轻重的地位。其中参数回归是一种常见的回归分析方法，这种回归方法简便易行，在实证分析中得到普遍运用，但其需要事先确定模型的函数形式，然后在此基础上对变量的关系进行具体分析。这样的话就会存在模型被误设的可能性，从而导致最终的估计结果偏差较大。　　非参数回归则可以很好地解决上述问题，即非参数回归不必事先假定被解释变量和解释变量之间所存在的准确的函数形式，而是尽可能多地从数据本身来获取信息。这种方法十分有效地增加了模型的有效性和适用性，因此非参数回归模型在产生后得到了迅速发展，并被广泛应用于现实中的各个领域。但是不可避免地，非参数回归模型仍需要满足一些条件，比如未知函数的平滑性要求，比如模型中误差项服从均值为零、方差为常数的正态分布。　　半参数回归则综合了参数回归和非参数回归，模型中既包括参数部分，又包括非参数部分，因此其继承了参数回归和非参数回归的优点。当人们对所研究的变量并未完全了解时，便可以对已经了解的变量建立参数回归，而对未了解的变量建立非参数回归;或者当随机因素对模型的影响较大时，可以针对随机因素建立非参数回归，加在原有参数回归的基础上。　　在实际的问题中，特别是风险领域中，误差项的分布经常是不确定的，如果回归模型中放松对误差项是确定分布这一假设条件，那么可以看到此时因变量的分布也是不确定的。那么在这种情形之下，之前对模型的估计方法不再合适。对于这个问题，Lin(2016)等人在上期望的基础上建立了上期望参数回归模型，解决了误差项分布不确定下的参数回归问题，并且通过实证说明了上期望模型在风险控制领域有比较好的应用。　　参照上期望参数回归模型，本文对非参数回归和半参数回归分别建立了上期望非参数回归模型和上期望半参数回归模型，以解决在误差项分布不确定下的非参数回归和半参数回归的问题。文中分别研究了两个模型的估计方法，并给出定理说明估计结果是一致的且服从渐近正态性;然后通过模拟分析说明估计结果的确优于经典的非参数和半参数回归，因而具有一定的理论意义和现实意义。　　文章主要分为五大部分:第一部分首先介绍文章的研究背景，并提出本文的研究意义;其次简单梳理了非参数和半参数的回归方法的国内外研究进展。第二部分主要是对非参数统计、半参数统计和上期望中的理论知识进行洋细介绍，以为后文提出上期望非参数回归方法和上期望半参数回归方法作铺垫。第三部分提出了上期望非参数回归模型，并分别采用核估计和局部线性估计对模型进行估计;然后给出定理说明估计结果是有效且稳健的;最后通过模拟数据进行实证分析，发现虽然上期望非参数回归方法的均方误差大于经典的非参数回归方法，但其最大误差更小，从而说明上期望非参数方法在风险控制领域会有比较好的应用。第四部分提出了上期望半参数部分线性模型，介绍了模型参数部分和非参数部分的估计方法，并指出估计结果是有效且稳健的;然后通过模拟数据进行实证分析，发现虽然上期望半参数回归方法的均方误差大于经典的半参数回归方法，但其最大误差更小。第五部分对全文内容进行总结，并指出文中存在的不足之处，以及今后可能的研究方向。