【摘要】针对含个体效应的面板数据模型，文章提出了一种带Adaptive Lasso惩罚的复合分位回归方法来估计回归系数。通过对模型两边左乘一个合适的幂等矩阵有效地消除了个体效应的影响，并使用MM算法迭代求解未知参数，用SIC准则对惩罚参数进行选取。同时，利用蒙特卡洛方法模拟了在不同误差和不同稀疏模型下回归系数的估计和选择情况，并与最小二乘回归、中位回归、复合分位回归估计结果进行对比，最后用实例数据进行验证。结果表明：带Adaptive Lasso惩罚的复合分位回归方法能够对回归系数进行精确估计，且其在稀疏模型上相比稠密模型具有更好的表现。在变量选择问题上，带Adaptive Lasso惩罚的复合分位回归方法能够很好地排除无关解释变量的影响。