随着社会经济的发展,研究者发现最小二乘回归估计不能全面地解释自变量和因变量两者之间的关系,因此提出了分位数回归估计以补充最小二乘估计存在的不足。在分位数回归估计的方法中,贝叶斯学派的方法比传统频率学派的方法更有优势,因此引起了学者们对贝叶斯分位数回归估计的广泛关注,该方法在社会经济领域中也得到了普遍应用。本文分别探讨了因变量为连续型和离散型两种情况下,用二项分布指定非对称拉普拉斯分布（Asymmetric Laplace Distribution,ALD）的似然函数,采用Gibbs抽样方法进行抽样,通过贝叶斯方法对模型的参数进行估计。首先,当因变量为连续型时,以贝叶斯分位数回归线性模型为基础,用二项分布指定ALD的似然函数,基于先验分布的不同,分别在尺度参数进行参数化和未参数化的条件下进行参数估计。实验结果表明:增加样本量或增强先验信息均可提高参数的估计精度;对尺度参数进行参数化后所得的参数估计精度比未参数化所得的估计精度要高。因此,当因变量为连续型时,用二项分布指定ALD的似然函数,增强先验信息、增加样本量,且对尺度参数进行参数化后可提高参数的估计精度。其次,在因变量为离散的情况下,以二元选择模型为基础,利用二项分布指定ALD似然函数的贝叶斯方法对多元的二元选择回归模型的参数进行估计,同时,将尺度参数进行参数化后的参数估计精度和尺度参数未参数化时的参数估计精度进行对比。实验结果表明:对尺度参数进行参数化后所得参数的估计精度均比未参数化时所得的参数的估计精度更高;增加样本量可提高参数的估计精度;对尺度参数进行参数化后,参数的估计精度不受先验分布的影响。最后,基于ALD的贝叶斯分位数回归方法对2020年全国31个地区的经济综合实力进行分析。实验结果表明:该模型可以描述指标在不同分位点下对各地区的经济综合实力的影响程度,当地可依据发展水平调整经济发展策略来提高经济综合实力,缩小与其他地区的发展落差,协调发展。