在現代資產定價的研究中，短期利率扮演一個很重要的角色。短期利率模型中最重要的一類是連續時間的擴散模型(continuous-time diffusion model)。這些模型有一個特性：假設已知利率的動態過程，亦即對利率模型的漂移項及擴散項作特定函數型態假設，而並無完整的經濟理論說明為何如此設定。我們知道不同的利率模型設定會推導出不同的商品評價公式，因此任意函數型態的模型一旦設定偏誤太大，勢必對評價公式的準確性造成很大的影響。有鑑於此，近幾年來利用無母數統計方法來估計利率模型的文獻與日具增。因為利用無母數統計方法可以減少對利率模型的任意設定。 基於對短期利率模型任意參數設定的懷疑，以及欲探究台灣短期利率的動態過程究竟為何種型態，因此本文以Stanton(1997)的無母數統計法利率模型，以台灣貨幣市場30天期的商業本票利率資料作實證分析。而為了更清楚了解無母數法利率模型的表現，本文亦採用CKLS (1992)所發展的估計方法，以一般化動差法(Generalized method of moment, GMM)估計九個有參數利率模型，將所得到結果與無母數法的利率模型比較。最後，我們利用估計出的無母數利率模型來建構利率期間結構，並與實際資料作比較。 本文實證結果發現，台灣短期利率的動態過程不管是漂移項或擴散項函數皆呈現非線性型態，且漂移項函數呈現負斜率的均數回歸(mean reverting)現象，而擴散項函數大致是隨利率水準愈大而其數值亦愈大。因此若以非線性、具有均數回歸且擴散項是遞增的函數式來設定利率模型的參數，應該較能刻劃台灣短期利率動態過程。另外，從有參數模型的實證結果發現，漂移項或擴散項函數，只要其中一項設定有誤，不僅會使該項的預測能力變差，亦連帶會影響另一項的預測能力，進而也會影響模型的整體表現。這意味著以無母數方法來估計利率模型有其必要性。最後，我們利用無母數法利率模型所估計的利率期間結構與實際的資料比較，發現估計結果還算不錯。

再發事件資料常見於醫學、工業、財經、社會等等領域中，對再發資料分析研究時，我們往往無法確知再發事件發生的時間或是發生次數的分配。因此，本論文探討的是分析再發事件的無母數方法，包括Nelson提出的平均累積函數(mean cumulative function)估計量，及Wang、Chiang與Huang介紹的發生率(occurrence rate)之核函數(kernel function)估計量。 就平均累積函數估計量來說，藉由Nelson導出的變異數及自然(naive)變異數，可分別求得平均累積函數的區間估計。本文利用靴環法(bootstrap)計算出平均累積函數在不同時點的變異數，再與Nelson變異數及自然變異數比較，結果顯示Nelson變異數與靴環法算出的變異數較接近。因此，應依據Nelson變異數建構出事件發生累積次數之漸近信賴區間。 本論文亦介紹了兩個或多個母體的平均累積函數的比較方法，包含固定時點之比較與整條曲線之比較。在固定時點之下，比較方法分別為平均累積函數成對差異之漸近信賴區間及靴環信賴區間、變異數分析比較法，與排列檢定法；而整條曲線比較方法包含：類似 統計量、Lawless-Nadeau檢定。這些方法應用在本論文所採之實證資料時，所得到的檢定結論是一致的。 / Recurrent event data arise in many fields, such as medicine, industry, economics, social sciences and so on. When studying recurrent event data, we usually don’t know the exact joint or marginal distributions of the occurrence times or the number of events over time. So, in this article we talk about some nonparametric methods, such as the mean cumulative function (MCF) discussed by Nelson, and kernel estimation of the rate function introduced by Wang, Chiang and Huang. As to the estimator of MCF, we can compute the confidence interval by Nelson’s variance and naive variance. We use bootstrap method to compare the performance of Nelson variance of the estimated MCF and naive variance of the estimated MCF. The results show that Nelson variance is better than naive variance, so we should construct the confidence limits for the MCF by Nelson’s variance except when only grouped data are available. We also introduce methods for comparing MCFs, including pointwise comparison of MCFs and comparison of entire MCFs. Methods for pointwise comparing MCFs include approximate confidence limits for difference between two MCFs, analysis-of-variance comparison, permutation test, and bootstrap’s confidence limits for difference between two MCFs. Methods for comparing entire MCFs include a statistic like Hoetelling’s , and Lawless-Nadeau test. Finally, all approaches are employed to analyze a real data, and the conclusions concordance with each other.