Los puntos de cambio en datos de panel pueden ser obstáculos para ajustar modelos; por lo tanto, detectar los puntos de cambio con precisión antes de modelar es crucial. Los métodos existentes a menudo asumen que todos los paneles comparten los puntos de cambio comunes o que los paneles agrupados tienen los mismos parámetros desconocidos. Sin embargo, el problema de diferentes puntos de cambio y parámetros del modelo entre paneles no ha sido resuelto. Para abordar este problema, se propone aquí un enfoque novedoso para detectar y estimar simultáneamente los puntos de cambio agrupados con precisión mediante el empleo de un algoritmo iterativo y la función de costo de penalización. Se utilizan experimentos numéricos y estudios de casos para demostrar el rendimiento superior del método propuesto en la agrupación de los paneles y la estimación del número y posiciones de los puntos de cambio.