全书共8章，具体研究内容：第1章为绪论，介绍了研究背景及意义，国内外研究现状以及本书主要内容和创新点；第2章从参数贝叶斯的角度探讨了线性混合效应模型的分位回归方法；第3章从非参数贝叶斯的角度探讨了线性混合效应模型的分位回归方法；第4章从惩罚参数的角度探讨了高维混合效应模型分位回归方法的变量选择问题；第5章从贝叶斯LASS0的角度探讨了高维混合效应模型的分位回归方法；第6章则对含个体固定效应的模型提出了三种分位回归方法；第7章将分位回归方法推广至非参数混合效应模型之上；第8章对全书各章理论、模拟及实证所得结论进行了系统总结，并对全书中各种方法的不足之处及可待进一步研究的间规作了剖析与展望。
全书内容新颖、实用性强，且包含了大量作者在该领域研究中取得的一些最新研究成果。本书可作为统计学、计量经济学、应用数学、教育学、社会学及生物医学专业研究生和高年级本科生教材，亦可供相关专业教师和科技研究人员参考。

第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本书研究内容及创新点
第2章 线性混合效应模型的参数贝叶斯分位回归方法
2.1 引言
2.2 分位回归与非对称Laplace分布
2.3 基于M-H算法的贝叶斯分位回归方法
2.4 基于Gibbs抽样算法的贝叶斯分位回归方法
2.5 蒙特卡罗模拟
2.6 实际数据分析
2.7 本章小结
第3章 线性混合效应模型的非参数贝叶斯分位回归方法
3.1 引言
3.2 非参数贝叶斯分层分位回归模型
3.3 Gibbs抽样算法
3.4 蒙特卡罗模拟
3.5 实际数据分析
3.6 本章小结
第4章 高维混合效应模型的双惩罚分位回归方法
4.1 引言
4.2 一般双惩罚分位回归过程
4.3 双惩罚分位回归过程
4.4 双惩罚分位回归的计算
4.5 估计量的大样本性质
4.6 蒙特卡罗模拟
4.7 实际数据分析
4.8 本章小结
第5章 高维混合效应模型的贝叶斯LASS0分位回归方法
5.1 引言
5.2 贝叶斯LASSO型分位回归
5.3 贝叶斯双LASSO型分位回归
5.4 蒙特卡罗模拟
5.5 实际数据分析
5.6 本章小结
第6章 固定效应模型的分位回归方法
6.1 引言
6.2 模型及方法
6.3 蒙特卡罗模拟
6.4 实际数据分析
6.5 本章小结
第7章 非参数混合效应模型的贝叶斯分位回归方法
7.1 引言
7.2 非参数惩罚样条展开
7.3 贝叶斯分层分位回归模型
7.4 M-H抽样算法
7.5 蒙特卡罗模拟
7.6 实际数据分析
7.7 本章小结
第8章 结论与展望
8.1 主要结论
8.2 研究不足与可待进一步探讨的问题
中英文名词索引
参考文献
后记