稳健估计和变量选择是统计建模中非常重要的两个方面。变量选择意味着我们需要寻找真正影响响应变量的那些协变量,从而降低模型复杂度和提高预测精度。同时,我们希望所提估计方法是稳健的特别是当数据存在较多异常值时,从而使得变量选择结果不会受到较大的影响。另一方面,纵向数据在生物医学、经济学、社会学等领域有着广泛的应用,目前已成为统计学研究的热点问题之一。本文基于线性模型、广义线性模型、单指标模型和单指标系数模型研究了稳健估计、变量选择和纵向数据分析。在第二章中,针对参数个数随样本量发散的线性模型,本章基于SCAD惩罚函数和秩回归提出了一种稳健的变量选择方法,该方法能够有效地克服响应变量中异常值或厚尾误差分布的影响。在一些正则条件下,证明了所提估计具有相合性和Oracle性质。进一步,为了克服现有方法的计算困难,本章提出了能够快速求解惩罚秩回归估计的贪婪坐标下降算法。为了处理p(29)n的情形,本章基于距离相关的独立筛选方法提出了两步估计,同时证明了两步估计具有Oracle性质。最后通过数值模拟验证了本章所提方法的稳健性和有效性。在第三章中,针对上一章所考虑的线性模型不能处理离散响应变量,本章将研究纵向广义线性模型的稳健估计与变量选择。具体地,我们结合指数得分函数和权函数构造了稳健且有效的估计方程,该估计方程能够同时克服响应变量和协变量中异常值的影响。为了避免解凸优化问题,本章构建了稳健且有效的光滑阈广义估计方程同时实现参数估计与变量选择。在一些正则条件下,证明了所提估计具有相合性和Oracle性质。进一步,通过影响函数证明了所提估计是稳健的。最后,运用数值模拟以及实例分析验证了所提估计的有限样本性质。在第四章中,我们研究了纵向单指标模型的估计问题。首先,通过忽略重复测量的组内相关性获得指标系数向量和非参连接函数的初始估计。其次,为了避免广义估计方程中工作相关系数矩阵的估计,本章基于修正的Choleksy分解将协方差矩阵分解为自回归系数和更新方差,然后通过回归建模的方式获得它们的估计。再次,利用剖面加权最小二乘方法构建了指标系数向量和非参连接函数更有效的两步估计。在一些正则条件下,证明了所提估计的相合性和渐近正态性。最后,数值模拟和实例分析验证了所提方法的优越性。在第五章中,针对单指标系数模型,结合局部线性近似和众数回归提出了稳健且有效的估计方法。在一些正则条件下,建立了所提估计的相合性和渐近正态性。进一步,讨论了最优的理论窗宽以及给出了实际问题中选择窗宽的办法,并从理论上证明了所提估计方法不会损失估计的效率。最后,数值模拟验证了所提估计的稳健性和有效性。在第六章中,我们研究了纵向单指标系数模型的估计问题。由于第五章中非参连接函数的估计涉及“欠光滑”窗宽,从而给实际应用中的窗宽选取带来了挑战。因此,本章提出了中心化的广义估计方程来克服这一问题。为了提高统计推断的效率,本章利用修正的Cholesky分解获得协方差矩阵的估计,进而对指标系数向量构建更有效的中心化广义估计方程。然后利用加权最小二乘获得非参连接函数更有效的估计。在一些正则条件下,建立了所提估计的大样本性质。最后,通过数值模拟和实例分析验证了所提方法的有效性和实用性。