纵向和事件时间数据这一类复杂数据在医学研究和心理学研究等领域常常出现,对该类数据建立的线性混合效应模型和Cox回归模型的联合模型得到了较为广泛的应用。随着数据观测变量的增加,联合模型的变量选择显得尤为重要。当传统的变量选择方法不能满足构建理想模型的条件时,系数压缩方法开始展露头角。本文中,我们以共享随机效应为纽带,构建了线性混合效应模型和带frailty项的Cox回归模型的联合模型,基于Lasso惩罚方法及其改进方法——Elastic Net惩罚方法对构建的模型进行变量选择,并得到回归系数的稀疏估计量。通过数值模拟研究和实例分析,针对本文构建的模型,得到以下结论:(1)Lasso和Elastic Net方法在变量选取过程中,将绝对值较小的系数自动进行压缩为0,以同时实现变量选取和待估参数的估计的目标。(2)对于存在多重共线性问题的纵向数据和事件时间数据,Lasso方法和Elastic Net方法都可以实现显著变量的选取和参数的估计。(3)针对本文构建的模型:在模型的精简方面,Lasso方法得到的模型较Elastic Net方法更简洁,即Lasso方法选择的变量数更少;在所选模型的拟合精度方面,Elastic Net方法可能优于Lasso方法。但无论是模型的精简方面还是所选模型的模型拟合精度方面,两者的差距都很小。(4)对于存在组效应的数据,Elastic Net方法可以很好的弥补Lasso方法的不足,将对响应变量具有显著性影响的组效应数据一起选取出来。