纵向数据广泛存在于实际生活中的医疗、经济等领域,而混合模型是处理纵向数据的常用模型。已有文献中的方法,有的只是对混合模型的均值、随机效应和随机误差协方差结构中的部分进行建模及变量选择,存在部分协方差结构的错误指定,造成均值模型参数估计的偏差;有的只同时对混合模型的均值、随机效应和随机误差协方差结构联合建模,但联合建模往往参数数目较多,得到的模型较为复杂。本文将混合模型和惩罚函数相结合,将不显著参数尽量压缩到0,简化了模型,推进了混合模型变量选择研究进程,且在一定程度上对医疗、社会学等问题的解决具有实际应用价值。其主要研究内容如下:一、将混合模型联合建模的所有部分纳入变量选择范围,同时对5个参数进行变量选择,但此时模型较为复杂,直接使用Newton-Raphson算法很难对参数的惩罚似然进行估计,因此本文考虑在对数似然的条件期望上添加惩罚项构成惩罚似然函数,然后使用交叉验证方法,对均值、随机效应和随机误差协方差模型三个部分引入的5个调节参数进行选择,再用此最优调节参数组合进行参数估计和变量选择。二、通过模拟及实证分析验证了基于惩罚似然函数的混合模型变量选择的可行性。模拟结果显示:在不同样本量下,随着样本量的增大,变量选择的效果越好,特别是均值模型部分,而由于随机效应和随机误差协方差结构更复杂,此部分的变量选择效果稍弱;在相同样本量下,基于惩罚似然函数的混合模型变量选择相比不进行变量选择的联合模型,能够更好地选择均值模型的重要解释变量,参数估计更有效,且模型拟合效果更好;在相同样本量下,相对于基于惩罚似然的联合均值-协方差模型变量选择,本文所提出的方法适用范围更广;针对不同惩罚函数,变量选择和参数估计效果略有不同,但总体相差不大,针对不同的情况,在拟合效果、参数有效性上各有优势。三、对本文所研究的问题给出总结及后续研究内容。