分位数因子模型(QFM)是高维面板数据的一类新的因子模型。与仅提取平均因子的近似因子模型(AFM)不同，QFM还允许未观察到的因子移动可观察量分布的其他相关部分。我们提出了一种分位数回归方法，称为分位数因子分析(QFA)，以一致估计所有分位数相关的因素和负荷。它们的渐近分布是用核平滑版的QFA估计量建立的。基于信息准则和秩最小化两种一致的模型选择准则确定了每个分位数的因子个数。即使在特殊误差表现为重尾分布的情况下，QFA估计仍然有效。一个实证应用突出了在使用大量预测器预测美国GDP增长和通货膨胀率时额外因素的作用，说明了QFA的有用性。