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还允许未观测因子改变可观测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)，以一致地估计所有分位数依赖的因素和负荷。它们的渐近分布是用QFA估计量的核平滑版本建立的。基于信息准则和秩最小化，提出了两个一致的模型选择准则，以确定每个分位数的因子数。即使特质误差呈现重尾分布，QFA估计仍然有效。一个实证应用通过强调使用大量预测器预测美国GDP增长和通货膨胀率中额外因素的作用，说明了QFA的有用性。