在许多实际情况下，简单回归模型都会遇到这样一个问题，即响应对协变量的依赖性不能用纯参数预测器来充分描述。例如，连续协变量的影响可能是非线性的，或者协变量之间可能存在复杂的相互作用。时空数据的一个具体问题是，观测值通常在空间和/或时间上相关。此外，个体或单位之间可能存在未观察到的异质性。虽然近年来，在这一领域有很多工作涉及单变量响应模型，但对多类别时空数据的模型只给予了有限的关注。我们针对多类响应提出了一类通用的结构化可加回归模型（STAR），允许使用灵活的半参数预测器。这门课包括无序类别的多项式响应模型以及有序响应模型。连续协变量的非线性效应、时间趋势和连续协变量之间的相互作用通过惩罚样条和灵活季节分量的贝叶斯版本进行建模。可以基于马尔可夫随机场、平稳高斯随机场或二维惩罚样条估计空间效应。我们从贝叶斯的角度提出了我们的方法，通过分配具有不同形式和平滑度的适当先验，允许在统一的通用框架内处理所有功能和效果。推理是在多类别线性混合模型表示的基础上进行的。这可以被视为后验模式估计，与频率学家设置中的惩罚似然估计密切相关。然后使用限制最大似然估计对应于逆平滑参数的方差分量。高效的数值算法甚至可以计算相当大的数据集。作为一个典型的例子，我们展示了对森林健康调查数据的分析结果。