动态回归或状态空间模型为分析非高斯时间序列和纵向数据提供了一个灵活的框架，包括离散纵向观测的模型。对于非高斯随机系数模型，直接贝叶斯方法会导致数值积分问题，对于更复杂的数据集来说，这些问题往往很难解决。最近的马尔可夫链蒙特卡罗方法通过从近似后验分布中重复采样来避免这种情况，但在采样方案和收敛性方面仍存在一些悬而未决的问题。在本文中，我们考虑基于后验模式或等效的最大惩罚似然估计的更简单的推断方法。从后一种观点来看，该方法也可以解释为平滑时变系数的非参数方法。通过普通线性卡尔曼滤波和平滑的迭代，获得了有效的平滑算法，与具有固定效应的广义线性模型中的估计一样，可以通过迭代加权最小二乘估计来实现。该算法可以与EM型方法或交叉验证相结合来估计未知的超平滑参数。该方法通过对二进制时间序列和多类别纵向数据集的应用进行了说明。