数据量的增大使得变量选择方法变得尤为重要。在社会调查中,经常出现分类变量,它们往往需要被转换为虚拟变量加入模型中,这就自然出现了虚拟变量组。除此之外,也可能存在其他类型变量组结构。在这种情况下,组变量选择方法比单变量选择方法更为适用。而在大数据时代,数据价值密度低,具有稀疏性,所以学者也常需要在选择组变量的同时选择组内变量。在模型选择方面,因分位数回归模型较传统线性回归模型更为稳健,所以本文考虑将 Sparse Group Lasso 和 adaptive Sparse Group Lasso 这两个可以同时选择组变量和组内变量的双层变量惩罚项与贝叶斯正则化分位数回归模型结合,新提出贝叶斯Sparse Group Lasso分位数回归模型（BQR.SGL）和贝叶斯adaptive Sparse Group Lasso分位数回归模型（BQR.adSGL）模型。并通过选取合适先验分布,推导出各参数的后验分布,构建Gibbs抽样估计系数。为了验证模型有效性,本文将贝叶斯分位数回归模型（BQR）,贝叶斯Group Lasso分位数回归模型（BQR.GL）、BQR.SGL模型和BQR.adSGL模型在多种条件下进行全面对比。模拟中,本文考虑了不同组间和组内系数的稀疏性。结果显示,当系数组内稀疏性变大时,BQR.SGL和BQR.adSGL对BQR.GL的改进效果越好,且在大部分情况下BQR.adSGL的预测效果好于BQR.SGL。同时本文又探索了 BQR.SGL和BQR.adSGL模型在不同扰动项和不同样本量下的估计效果,结果显示两个模型在非ALD扰动项下也能取得很好的估计效果。另外,本文将BQR.SGL和BQR.adSGL模型运用于出生婴儿体重数据中,以验证模型的实证效果。结果显示,模型可以筛选出组内变量,而且对变量系数的估计符合常识。得出的主要结论有:母亲吸烟会降低孩子体重,此负面影响随着分位点的增大而增大;母亲有高血压病史和子宫过敏史都会降低婴儿体重,且这个影响在低分位点处更显著等。