变系数模型是一类非常重要的非参数回归模型,它允许模型中的回归系数为非参数函数,因此与通常的线性模型相比具有更强的适应性和建模能力;同时,因为它形式上仍具有线性结构,所以在实际应用中容易理解且易于解释.面板数据综合了时间序列数据和横截面数据的特征相比于单纯的时间序列数据或横截面数据,面板数据的双重维度不仅能够提供更多的个体信息,提高估计效率,降低多重共线性,控制异质性,而且有助于研究者发展更复杂的模型分析技术.本文研究固定效应面板数据变系数模型的结构识别问题,首先将模型中的未知系数函数进行局部线性展开,并结合虚拟变量方法消除固定效应的影响,其次基于adaptive LASSO方法,通过对系数函数及其导函数同时进行惩罚,提出一个组合惩罚估计方法来识别模型的真实结构,即识别哪些协变量对响应变量具有函数效应,哪些变量对响应变量具有非零常数效应,哪些变量对响应变量无显著效应.在适当正则条件下,证明了所得系数函数估计的相合性和渐近正态性以及模型结构识别结果的相合性.最后,通过数值模拟研究了本文所提组合惩罚估计方法在有限样本下的表现.论文的结构安排如下,第一章:介绍了面板数据以及相关模型.对于常规的变量选择方法做了相应的表述,并对当前面板数据的研究成果和本文主要解决的问题进行了详细的陈述.第二章:叙述固定效应面板数据变系数模型的模型结构识别的过程以及调整参数的选择.第三章:给出系数函数估计和模型识别结果的相关结论.第四章:利用具体数值进行模拟.第五章:相关定理的证明.