参数回归模型简单方便,应用较为广泛,但目前简单的参数均值回归模型并不能很好的满足生活中的复杂数据。一方面是因为对于模型来说,参数模型是事先对模型作出假设,给定一个具体的模型形式,在一定假设条件之下,然后利用该固定模型对数据进行分析,而实际数据复杂多变,对于面板数据而言,包含信息更丰富,一般的参数模型已经不能很好的满足数据要求。另一方面,从模型随机误差项分布来说,现有的模型基本都是假设其服从规范的正态分布,而对于误差项服从于偏态或者尖峰状态等情况下的分布还存在缺陷。于是在现有研究基础之上,本文基于现有模型的部分缺陷,进一步对面板数据模型进行改善。为了对模型进行详细地解释,本文具体内容安排如下:第一部分,针对面板数据在贝叶斯分析的框架下讨论了非参数分位回归建模方法,利用更加平稳光滑的低秩薄板惩罚样条展开,虚拟变量和非对称Laplace分布的引入建立了贝叶斯分层分位回归模型,给出未知参数估计的Metropolis-Hastings抽样算法。模拟结果显示,新提出的模型在无偏性与稳定性上相较于传统模型都有明显的改善,对数据的适应能力更强,拟合更充分。为了将模型应用到实际情况当中,将新模型应用到中国农村居民消费支出与经营性收入的实际数据演示当中,分析各个消费群体下,经营净收入对消费支出的影响关系,得出在各个分位下,消费支出都随着经营净收入的增加而呈现正向刺激的作用,且在高分位处,这种效果更加明显的结论。第二部分,在第一部分的研究基础之上,继续在贝叶斯分析的框架下讨论了面板数据的可加模型分位回归建模方法。首先通过低秩薄板惩罚样条展开和个体效应虚拟变量的引进将非参数模型转换为参数模型,然后在假定随机误差项服从非对称Laplace分布的基础上建立了贝叶斯分层分位回归模型。通过对非对称Laplace分布的分解,给出了所有待估参数的条件后验分布,并构造了待估参数的Gibbs抽样估计算法。计算机模拟仿真结果显示,新提出的方法相比于传统的可加模型均值回归方法在估计稳健性上明显表现占优。最后将可加分位回归模型应用到老龄化、城镇化、经济因素和建造成本对房价的影响研究当中,认为目前老龄化对房价具有一定的压制作用,而城镇化与收入和成本的提高都使得房价呈现出大幅的上涨的结论。