具有聚集性的不同类型的数据广泛的存在于实际分析中,如:正态型纵向数据、二值型纵向数据、计数型纵向数据等。为了能在表面上看起来杂乱无章的观测数据中得出规律性的结论,我们常常需要借助于统计模型。传统的模型假定观测样本间相互独立,采用传统模型对纵向数据进行拟合效果很差。本文结合了线性混合效应模型能处理纵向数据,广义线性模型可处理二值、计数等类型数据的特点,采用广义线性混合效应模型对不同类型的纵向数据进行建模。广义混合效应模型是参数模型,我们在估计模型参数时,结合了分位回归的稳健性和贝叶斯分析的优势,在非对称Laplce分布的基础上,建立了适合广义线性混合效应模型的贝叶斯分位回归。在对假定模型参数贝叶斯分析求解时,由于非对称Laplce分布没有合适的先验,参数的后验也较难计算。MCMC抽样算法对参数的先验选取不敏感,还能使后验分布参数的估算变得容易。我们采用常用的MCMC算法中的M-H算法和Gibbs抽样算法,对贝叶斯分析的后验参数进行估计。在方法模拟时,Gibbs抽样算法方法不论在样本实现、软件操作,还是参数估计结果方面,均表现极佳。我们便采用Gibbs抽样算法对二值型、计数型纵向数据进行实际数据分析。本文为解决不同类型的纵向数据建模问题。既选择了良好的模型,又采用了独特的参数估计方法及算法。其中,贝叶斯分位回归的Gibbs抽样算法以其优越的表现,值得在实际数据分析中广泛推广。