在流行病学、医学、社会学和经济学等学科中,研究者们通常关心处理效应的估计问题。因为政策干预的效果大小影响着政策是否需要广泛的实施,新药的效果大小影响着是否生产新药,这些效果的大小都可以用处理效应来刻画。因此,处理效应的估计显得极其重要。在流行病学、医学、社会学和经济学等学科中,有很多响应变量是离散的,因此研究非线性模型中处理效应的估计问题也是非常重要的。由于非线性模型的特殊性和模型中存在不可观测的且是异质的变量,一般平均处理效应的估计方法并不适用于非线性模型。在这篇文章中,我们主要考虑非线性模型中处理效应的估计方法,并将理论方法应用到实际数据分析中。在本文中,我们主要的研究工作为以下几点。(1)考虑匹配数据中组之间存在异质性的probit模型,在组之间存在比较大差异(组效应较大)的时候,我们提出一种新的方法估计模型中的处理效应,并在理论上证明提出的估计量具有一致性和渐近正态性。另外,模拟研究表明提出的估计量有良好的有限样本性质,且当组效应来自双峰不对称分布的时候,提出的估计量是优于Heckman方法;就偏差和均方根误差而言,提出估计量比逆概率加权估计量和条件似然估计量好。我们将提出的方法应用于母亲怀孕期间抽烟对低生儿的影响。(2)考虑出现不可观测混杂的非线性模型,允许个体之间不可观测的混杂是异质的。当不可观测混杂较大的时候,我们提出一种新方法估计非线性模型中的处理效应和一个统计量来检验非线性模型中处理效应的存在性,并在理论上证明提出的估计量是一致且渐近正态的。模拟研究表明提出的估计方法对于各种不可观测混杂的分布是稳健的,且提出的估计方法不会改变模型中处理效应的方向。我们将提出的方法应用于母亲怀孕期间饮酒对低生儿的影响。(3)考虑在非线性模型中,允许不可观测混杂对处理变量和结果变量影响方向不一致和不可观测混杂与随机项的关系是任意的。我们利用拟似然方法估计该模型中的处理效应,并且证明拟似然估计量相对于伪真实参数是一致且渐近正态的,当处理变量内生性弱的情况下,我们提出拟似然估计量优于特殊回归估计量。我们将提出的理论方法应用于病人是否拥有私人健康医疗保险对是否就医的影响。