近年來，基于懲罰似然法的變量選擇引起了人們的廣泛關注。 基于非對稱拉普拉斯分布的吉布斯采樣算法，本文從貝葉斯的角度考慮了自適應拉索和拉索罰分的分位數(shù)回歸。 在非貝葉斯和貝葉斯框架下，針對具有不同分布和異方差的誤差項，系統(tǒng)比較了幾種正則化分位數(shù)回歸方法。 在不對稱拉普拉斯分布的誤差項下，統(tǒng)計仿真結果表明，貝葉斯正則化分位數(shù)回歸在所有分位數(shù)上均優(yōu)于其他分布。 并且基于非對稱拉普拉斯分布，貝葉斯正則化分位數(shù)回歸方法在參數(shù)估計和預測方面要比非貝葉斯方法更好。 通過實際數(shù)據(jù)分析，我們也證實了以上結論。