面板数据作为将截面数据和时间序列数据综合起来的二维数据类型,能提供更多的样本信息,在经济学、管理学、生物学等诸多领域有着广泛的应用。传统的面板数据模型实际上是一种条件均值模型,这种模型只能描述因变量的均值信息,而忽略了其它信息。分位数回归方法考虑了在不同分位点处自变量对因变量的影响,与传统的条件均值模型相比,不仅具有较好的稳健性,而且能够度量自变量对因变量尾部的影响,提供更加丰富的信息。因此,越来越多的学者开始采用面板数据分位数回归模型,而如何在对该模型进行参数估计的同时自动选择出重要解释变量,一直是值得探讨的热点问题之一。本文基于面板数据分位数回归模型,采用Elastic Net这一适用于处理高维数据和高度相关数据的惩罚方法,提出了面板数据的贝叶斯Elastic Net分位数回归模型(BQR.EN)这一新方法,并且推导出了各参数的全条件后验分布密度函数,进而构建Gibbs抽样。在模拟实验中,首先与BALQR模型、BLQR模型、BQR模型进行了多种情形下的全方位比较,然后将本文提出的BQR.EN模型在不同扰动项假设和不同样本量假设下进行参数估计效果的比较,结果表明BQR.EN模。型在处理高维数据和高度相关数据方面具有明显优势,在一定程度上弥补了基于Lasso惩罚的BLQR模型和基于adaptive Lasso惩罚的BALQR模型的不足;并且在扰动项的实际分布不符合ALD分布或者样本量较小的情况下也能取得较好的估计效果。在实证分析方面,为了探究互联网金融类上市公司EVA的影响因素,本文构建了面板数据的贝叶斯Elastic Net分位数回归模型,演示了新方法在实际问题中估计参数与挑选变量的能力。实证结果表明,盈利能力、创新能力和公司规模对互联网金融类上市公司经济增加值的影响最大。