چکیده: این رساله به بررسی روش‌های برآورد در مدل رگرسیون نیمه‌پارامتری با اثرات آمیخته به منظور تحلیل داده‌های طولی می‌پردازد. مدل موردنظر ترکیبی از مدل‌ اثرات آمیخته و مدل نیمه‌پارامتری است. ابتدا چند مورد از روش‌های موجود برای برآورد تابع ناپارامتری مدل شامل برآورد هسته‌ای, بازگشتی و اسپلاین‌ معرفی شده و با درنظر گرفتن مساله هم‌خطی بین متغیرهای تبیینی, برآوردگر جدیدی به نام برآوردگر هسته‌ای ریج معرفی می‌شود. در ادامه مسئله برآورد و انتخاب متغیر همزمان برای داده‌های گاوسی و غیرگاوسی با بعد بالا درنظر گرفته شده‌ است. مولفه ناپارامتری موجود در مدل با اسپلاین‌های رگرسیونی تقریب زده ‌شده و از طریق بهینه‌سازی تابع هدف مبتنی بر تابع تاوان برآورد و انتخاب متغیر به طور همزمان انجام می‌گیرد. رفتار حدی برآوردگرهای حاصل در چهارچوب داده‌های بعد بالا که در آن تعداد پارامترها متناسب با افزایش حجم نمونه افزایش می‌یابد, مورد مطالعه قرار می‌گیرد. علاوه‌بر‌این با درنظر گرفتن پاسخ‌های چند‌متغیره یک روش نیرومند بر اساس توزیع تی چندمتغیره, به عنوان جایگزینی برای توزیع نرمال, برای برآوردیابی ارائه می‌شود که نسبت به مقادیر پرت یا مشاهدات غیرمعمول انعطاف‌پذیرتر است. در هر چهارچوب مطالعاتی, به منظور پیاده‌سازی روش‌های برآورد یک الگوریتم تکراری مناسب ارائه گردیده و کارایی روش‌های برآورد پیشنهادی با استفاده از مطالعات شبیه‌سازی و تحلیل داده‌های واقعی بررسی شده‌ است. نتایج بدست ‌آمده نشان می‌دهند که روش‌های پیشنهادی در مقایسه با سایر روش‌های موجود عملکرد مناسبی دارند.