在癌症临床试验和生物医学跟踪研究中,在不同的时间点收集每个个体的纵向数据,最终会收集到每个个体的生存数据。早期都是对纵向数据和生存数据单独建模分析,往往忽略了这两类数据之间的关联,从而导致低效或有偏的结果。渐渐地,人们发现当纵向数据和生存数据之间存在相关性时,对这些数据进行联合建模将会提高统计推断的效率。在以往的文献中,用极大似然方法对纵向数据和生存数据联合建模的普遍方法是:生存子模型中采用Cox比例风险模型对事件时间建模,纵向子模型中采用线性混合效应模型对纵向数据建模。然而为了更柔性和实践性,假设纵向指标与观测时间有非线性关系,用部分线性混合效应模型建模纵向过程。现有的联合建模纵向比例数据和生存数据的研究文献很少,并且都是采用基于频率学派下的极大似然方法对参数进行估计。因此类似于极大似然联合建模纵向数据和生存数据的方法,本文采用贝叶斯方法联合建模纵向比例数据和生存数据,对联合模型同时进行参数估计和变量选择。基于贝叶斯方法,纵向比例数据和生存数据的联合模型由两部分组成,分别是纵向过程和生存过程。纵向过程:采用部分线性混合效应模型对logit函数变换后的纵向比例数据建模,即纵向指标与观测时间考虑函数关系,文中用B-样条方法对函数建模。生存过程:基于独立协变量的Cox比例风险模型对事件时间建模,并且使用偏似然方法对参数进行估计。纵向过程和生存过程则用共享随机效应联系起来。基于结合了MH算法与Gibbs抽样的混合算法、贝叶斯B-样条方法以及贝叶斯BLasso方法,对本文建议的联合模型中的未知参数、随机效应、函数同时进行贝叶斯估计和变量选择。