Investigamos el impacto de eventos significativos en la vida en dos resultados críticos para la salud: insomnio y obesidad. Utilizando datos de la encuesta Household, Income, and Labour Dynamics in Australia (HILDA), nos enfocamos en eventos significativos experimentados en los últimos 12 meses. Para modelar estos resultados de salud de manera conjunta, empleamos un modelo de datos de panel probit de efectos aleatorios bivariado y un modelo de datos de panel de efectos aleatorios longitudinales cuyos resultados pueden ser una combinación de variables discretas/categóricas y continuas. Estimar estos modelos de datos de panel de efectos aleatorios es desafiante porque la verosimilitud es una integral sobre los efectos aleatorios individuales latentes. Además, los modelos a menudo tienen un gran número de predictores. En este documento, la inferencia bayesiana se lleva a cabo utilizando un Metropolis de partículas dentro de un muestreador de Gibbs, que es especialmente adecuado para modelos estadísticos con variables latentes. Además, dentro de este marco de inferencia, integramos un paso de Monte Carlo Hamiltoniano (HMC) para muestrear de manera eficiente el vector de coeficientes de regresión de alta dimensionalidad. El paso de HMC permite una convergencia más rápida y una mejor mezcla de la cadena de Markov. Nuestro artículo contribuye a una mejor comprensión de cómo los eventos de la vida relacionados con el estrés dan forma a los resultados de salud y demuestra las ventajas de combinar Metropolis de partículas dentro de Gibbs y HMC en la estimación de modelos de datos de panel complejos.