针对具有竞争风险或多个终止事件的离散或分组持续时间数据的状态空间或动态方法允许以灵活的方式同时建模和平滑估计危险函数和时变影响。使用数值积分技术或蒙特卡罗方法进行的完全贝叶斯或后验均值估计在计算上可能会变得非常苛刻，甚至对于更高维和更大的数据集来说是不可行的。因此，在以往对多类时间序列和纵向数据进行滤波和平滑处理的基础上，我们的方法使用了后验模式估计。因此，我们必须使后验密度最大化，或者等效地，使惩罚可能性最大化，这将通过粗糙度惩罚来加强风险函数和时变效应的平滑性。放弃贝叶斯平滑先验并采用非参数观点，也可以直接从最大化这种受惩罚的可能性开始。我们展示了如何通过对工作模型迭代应用线性卡尔曼滤波和平滑来高效地执行Fisher评分平滑迭代。该算法可以与EM型过程相结合来估计未知的平滑或超参数。这些方法应用于一组更大的失业持续时间数据，其中包括德国社会经济小组GSOEP的一个和多个终止事件。