纵向数据和生存数据在工业领域,心理学领域、经济学领域、医学研究和生物研究等研究中是经常出现的。比例危险模型与线性混合效应模型的联合模型在医学研究中是非常常见的模型。在实际研究中需要测量的变量数非常的庞大,我们在这庞大的测量中需要估计的感兴趣的变量数也随之增加。实际建立模型的过程中为了提高我们建立联合模型的精确度,必须选择对响应变量有显著影响的最具解释性的协变量。在处理较多变量等数据时,相比与传统的变量选择方法,利用惩罚似然法选择的变量数更少,得到的模型更加简洁,同时程序运行时间较短,拟合与预测效果较好。本文用MLE方法、Lasso惩罚、自适应Lasso以及SCAD惩罚等方法对构建的纵向生存数据模型进行选择变量。在解决惩罚似然估计时利用的是EM算法优化。最后,通过实例数据分别用Lasso惩罚,MLE方法、自适应Lasso以及SCAD惩罚等方法估计得到模型的参数进行选择变量,并比较上述方法得出的变量选择结果。