纵向数据和生存数据联合模型(JMLSs)常用来研究纵向数据和生存数据之间的联系，近年来，在临床医学领域的数据分析中有广泛的应用，特别是在癌症临床研究、艾滋病临床研究和生物医药。在以往的文献中，对联合模型的普遍假定是:随机效应或误差项服从参数分布，诸如正态分布;轨迹函数是观察时间的线性函数。然而，比较苛刻的假定与实际相违背时，可能会导致不合理的结论，甚至误导的结果，在本文，基于半参数贝叶方法或极大似然方法，我们建议几个更具柔性和实践性的联合模型，在模型里包含更少的假定。　　首先，我们放松随机效应的全参数分布的假设。通过中心化的Dirichlet混合模型(CDPMM)去定义随机效应的先验分布，并且基于截断CDPMM去随机逼近随机效应的先验分布和数值积分方法，建议一半参数贝叶斯方法同时获取参数和随机效应的贝叶斯估计。为了执行贝叶斯推断，一种结合了stick-breaking先验、MH算法和Gibbs抽样的混合算法被发展从联合模型的后验分布抽样随机观察值。在这个模型里，基于φ-距离，发展了贝叶斯数据删除影响分析诊断联合模型里潜在异常点或影响点。　　其次，基于半参数贝叶斯方法，部分线性联合建模多维偏正态（SN)纵向数据和生存数据，在这个模型里，我们用多维偏正态分布定义纵向数据的个体内测量误差项分布，中心化Dirichlet随机过程(CDP)定义随机效应的先验分布，并且用半参数方法建模纵向数据与生存数据共享的轨迹函数，即纵向指标与时间的关系考虑非线性函数（非参数方法），而对其他协变量考虑线性函数。基于结合了MH算法与Gibbs抽样的混合算法和贝叶斯惩罚样条(B-splines)技术，我们建议了一贝叶斯方法，能同时获取未知参数、随机效应和非参数函数的贝叶斯估计。同时，我们发展了贝叶斯局部影响分析分别评价联合模型分别对个体内测量误差微小扰动以及随机效应微小扰动的敏感性。　　最后，基于极大似然方法，我们建议一部分线性联合模型建模纵向数据和生存数据，其中纵向数据服从于多维偏正态分布，结合了惩罚样条(P-splines)和MCEM算法用来估计感兴趣参数和非参数函数。在E步，基于结合了Gibbs抽样技术和Metropolis-Hastings(MH)算法的混合算法，可以从随机效应和潜变量相应条件分布抽取观察值，从而可以近似计算期望得Q函数;在M步，基于数值积分技术近似生存函数，从而大大简化计算Q函数的一阶导和二阶导。这个联合模型的亮点更在于，我们不仅有惩罚样条技术拟合轨迹函数，也用它来估计基本危险函数。借助于EM算法，很容易构造数据删除影响分析诊断统计量以及局部影响分析诊断统计量。