分位回归可以全方位地挖掘数据信息,将分位回归技术和二元选择模型结合能够更加全面地刻画问题的本质,更准确地预测二元选择倾向。随着数据收集和存储技术的发展,数据信息呈井喷式增长,如何从众多变量中选出重要变量是建模的前提和关键。本文将围绕二元选择分位回归的变量选择问题及其应用展开研究。本文的主要工作如下:首先,系统介绍了二元选择分位回归的理论基础,包括模型定义、参数估计和预测方法,指出了模型的可能改进方向,并分析了各变量选择方法的优劣,选择恰当的变量选择方法。其次,用自适应LASSO变量选择方法解决二元选择分位回归模型的高维问题,并利用贝叶斯方法进行参数估计。重点是选择恰当的参数先验,建立贝叶斯分层模型并推导出各参数的后验分布,构造出有效且易于实施的Gibbs抽样算法。通过数值模拟证明了本文设计的Gibbs抽样算法是恰当、可行的,验证了本文构造的模型具有良好的变量选择能力和分类能力。最后,进行应用分析。将基于自适应LASSO的二元选择分位回归模型用于个人信用评估。研究对象是德国信用数据,通过自适应LASSO方法识别出影响个人信用的重要因素,揭示不同因素对个人信用的异质影响,有针对性地对客户进行信用评估。建立二元选择分位回归的个人信用评估模型,预测客户违约的可能性。并与其他模型进行比较分析,表明了基于自适应LASSO的二元选择分位回归模型在个人信用评估方面具有良好表现。