信用评估在市场经济中发挥了重要的作用，受到了理论研究与实践部门的共同关注，使得信用度量和管理技术不断得到发展。然而，国内已有信用评估工作只是在均值框架下开展，难以揭示经济行为的异质性。分位数回归能够刻画解释变量对响应变量在不同分位点处的影响，从而成功解释现实世界中普遍存在的异质性现象。针对信用数据的复杂性和信用行为的异质性，本文基于分位数回归开展了两个方面的研究工作，拓展了国内已有研究。　　首先，基于普通二元选择分位数回归建立了中国上市公司信用评估方法。二元选择分位数回归是二元选择均值回归在分位数框架下的推广，能够更好地揭示解释变量对响应变量在不同分位点处的异质影响，从而可以更加准确地描述与预测二元选择行为。通过数值模拟和实证研究，比较了二元选择分位数回归模型与二元选择均值回归模型的信用评估能力，表明二元选择分位数回归模型具有更好的判别能力和稳健性，且可以揭示信用影响因素对信用的异质影响。其次，应用Lasso二元选择分位数回归模型于中国上市公司信用评估，一方面通过Lasso变量选择功能，从众多的信用影响因素中识别出关键因素;另一方面通过分位数回归细致描绘各个关键因素对信用的异质影响，提供更为全面和详细的信用评估信息。本文改进了已有的Lasso二元选择分位数回归模型，从而提高了参数估计效率和变量选择能力。通过数值模拟和实证研究，将本文模型与Logit模型、Lasso-Logit模型和支持向量机进行对比，发现前者不但具备良好的变量选择能力而且可以获得最佳的评估效果。　　本文研究工作具有一定的学术价值和应用价值，主要集中表现在三个方面:第一，通过模型的优良评估性能，实现对企业信用状况的准确定位;第二，根据各因素对企业信用的异质性影响，可以采取更有针对性的企业治理策略以提高信用水平;第三，通过Lasso变量选择功能识别出影响信用的关键因素，从而降低无关因素搜集成本和管理成本。