【摘要】分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布（ALD）之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征，导致贝叶斯分位数估计出现偏差。为克服这一缺陷，本文采用具有左右尾参数的非对称指数幂（AEP）分布和基于Gibbs的自适应Metropolis–Hastings抽样方法，对经典贝叶斯分位数回归方法进行了扩展与改进，形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法，并将该方法首次应用于面板数据中。同时，为检验AEP方法的有效性，本文将该方法与基于偏指数幂（SEP）分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示，AEP方法比SEP和ALD方法更不易受极端值的影响，性能更稳定。并且，在不同扰动项分布假设和不同分位数水平下，该方法具有更高精度的变量筛选功能。最后，选取36家我国零售类上市公司为实证研究对象，运用AEP方法对其股票收益率影响因素进行筛选和回归估计，进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。