纵向数据是指对同一组个体在不同时间点上重复观测的数据，具有组间独立、组内相关，并且具有多元数据以及时间序列数据的特点。因此，对于纵向数据而言，估计模型的协方差结构是很重要的。同时由于半参数模型综合了参数模型和非参数模型的一些优点，因而在纵向数据研究中越来越受到重视。本文研究的变系数部分线性模型是在纵向数据中应用很广泛的一类。　　 本文首先介绍了纵向数据的定义和特点，以及变系数部分线性模型的广泛应用，然后引出了所需要的联合均值方差模型以及局部多项式估计方法。第二章在纵向数据下基于联合均值方差技巧给出了变系数部分线性模型的函数系数、参数和协方差的估计。首先，对函数系数采用局部线性估计方法得到它的估计；其次，通过修正的乔里斯基分解(modified Cholesky decomposition)将协方差进行分解，得到联合均值方差模型。将协方差的估计转换成对广义自回归参数和更新方差(innovationvariance)的估计；然后，对参数和广义自回归参数采用拟似然估计方法，对更新方差采用局部线性估计方法，将局部线性估计和核估计进行比较，得到局部线性估计优于核估计的结论。对于局部线性估计中的窗宽本文采用MCV方法得到；最后，给出Newton-Raphson迭代算法(Newton-Raphson iterative algorithm)得到参数、广义自回归参数和更新方差的计算实现。第三章得到函数系数、参数、广义自回归参数以及更新方差的估计在一定条件下的渐进正态性，并给予了证明。第四章利用两个例子验证了本文提到的方法具有很好的估计效果和渐进正态性。同时验证了对于更新方差而言，局部线性估计要优于核估计。