【摘要】稀疏惩罚分位数回归是高维数据分析中进行变量选择和稳健估计的重要工具。对于具有分组解释变量的问题，期望达到组内和组间稀疏的理想效果，但是许多现有方法未能实现这一目标。文章将自适应Lasso和自适应Group Lasso相结合，构建了一种自适应稀疏Group Lasso惩罚分位数回归（Q-AdSGL）模型，给出了基于ADMM算法的模型求解方法，并讨论了估计量的Oracle性质。通过Monte Carlo模拟研究和实例分析证明了所提模型和算法的有效性。