分位因子模型(QFM)是一类新的用于高维面板数据的因子模型。与只提取平均因子的近似因子模型(AFM)不同，QFM还允许未观测因子移动可观测值分布的其他相关部分。我们提出了一种分位数回归方法，标记为分位数因子分析(QFA)，以一致地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的QFA估计量建立的。基于信息标准和秩最小化，开发了两个一致的模型选择标准来确定每个分位数上的因素数量。QFA估计仍然有效，即使当特质误差表现出重尾分布。一个实证应用说明了QFA的有用性，它强调了额外因素在使用大量预测器预测美国GDP增长和通货膨胀率时的作用。