纵向数据在心理学、流行病学、经济学、社会学等诸多领域极为常见,是目前实际分析与学科研究的重要数据格式。纵向数据是对一组个体按照时间或空间顺序重复测量的数据。对于不满足正态分布的具有异方差的纵向数据的处理主要利用广义线性或部分线性混合模型来拟合。通常用来估计广义部分线性混合模型之中非参数分量的整体或局部估计方法均需要求光滑参数,这不仅导致模型估计计算负担增大,还使得模型参数估计的统计推断变得困难。为了克服以上问题,本文选择贝叶斯方法进行分析,由于贝叶斯方法引入了先验信息,所以可以在样本较少的时候得到相对可靠的结果。本文在模型随机效应部分服从正态分布的假定下,基于光滑样条方法研究了纵向数据下广义半参数部分线性混合效应模型和变系数广义部分线性混合效应模型的贝叶斯估计方法。我们首先对纵向数据下广义半参数部分线性混合效应模型进行分析,通过样条方法逼近非参数分量,将半参数广义部分线性混合效应模型转化为广义线性混合效应模型,然后分别基于惩罚样条和光滑样条导出后验分布。基于所得后验分布,我们利用Gibbs和MH混合算法给出了模型中参数的贝叶斯估计,分析所得参数估计值的精确性,并对比光滑样条与惩罚样条的估计效率。进一步,我们将上述方法推广至变系数广义部分线性混合效应模型的贝叶斯推断。此外,基于2004年至2011年12家中国A股上市公司的纵向数据,从成长性、经营状况、股权结构等方面,选用半参数广义部分线性混合效应模型和变系数广义部分线性混合效应模型来分析研究中国A股上市公司现金股利支付倾向的影响因素。最后通过实证分析证明了所建模型的有效性。