Terdapat tiga pemodelan untuk data longitudinal, antara lain marginal model, transition model, dan random effects model.

  1. The Marginal Model

Terdapat dua pendekatan pada pemodelan marginal, yaitu marginal mean  dan marginal covariance . Diasumsikan bahwa diketahui struktur untuk korelasi antar sampel pengukuran. Dua generalisasi dari diagonal matriks kovarians (dalam kasus pengukuran yang tidak berkorelasi) adalah struktur korelasi Uniform dan Eksponensial. Pemodelan mean dan covariance memiliki kelebihan untuk membuat kesimpulan yang valid dari  ketika salah mengasumsikan struktur korelasi.

  1. The Transition Model

Dalam transition model, mengkombinasikan asumsi dependen dari Yi dan xit dan korelasi Yi  yang diulang ke dalam satu persamaan. Ide dasar dari pemodelan ini adalah bahwa korelasi dalam sampel muncul karena satu respon adalah explicity yang disebabkan oleh yang lainnya, , sebagai fungsi eksplisit dari xit dan pengamatan-pengamatan yang lain pada sampel yang sama. Fungsi Hit adalah fungsi dari , di mana  adalah sekumpulan observasi pada sampel ke-i dan waktu ke-t.

            Tujuan dari transition model untuk data longitudinal adalah mengurangi sekumpulan  ke dalam observasi sebelum waktu ke-t, . Contoh dari transition model adalah order pertama dari model autoregressive di mana  bergantung pada masa lalu Yi, yang hanya melalui pengukuran sebelumnya, . Sebagai catatan bahwa matriks kovarians untuk  pada kasus ini berhubungan dengan model marginal dengan struktur korelasi Eksponensial.

  1. The Random Effect Model

Pada pemodelan ini, diasumsikan bahwa korelasi antar sampel berasal dari variabel yang tidak teramati. Terdapat efek random yang menunjukkan faktor yang tidak teramati untuk semua respon untuk sampel tertentu. Efek random ini bervariasi antar sampel (Laird and Ware, 1982). Dengan menggunakan Generalized Linear Models (GLMs), diasumsikan bahwa variabel yang tidak teramati  dan respon independen dari distribusi keluarga Eksponensial.