Recientemente, el paquete lqmm "Lineal Quantile Mixed Models" ha sido cargado en CRAN. Aunque nunca lo he usado, el paquete lqmm parece hacer lo que quieres.
Esta presentación de useR! La conferencia de 2011 muestra algunos ejemplos del paquete. Aquí hay una descripción del paquete tomado de useR! Resúmenes de la conferencia 2011:
La regresión cuantil condicional (QR) se refiere a la estimación de cuantiles desconocidos de un resultado en función de un conjunto de covariables y un vector de coeficientes de regresión fijos. En los últimos años, la necesidad de ampliar las capacidades de QR para que los datos independientes se ocupen de los diseños de muestreo agrupados (p. Ej., Medidas repetidas) ha llevado a varios enfoques muy distintos. Aquí, considero el enfoque basado en la probabilidad que depende de la relación estricta entre el problema de la norma L₁ ponderada asociado con un modelo QR condicional y la distribución asimétrica de Laplace (Geraci y Bottai, 2007).
En esta presentación, ilustraré el uso del paquete R lqmm para realizar QR con efectos mixtos (fijos y aleatorios) para un modelo anidado de dos niveles. La estimación de los coeficientes de regresión fijos y de la matriz de covarianza de efectos aleatorios se basa en una combinación de aproximaciones de cuadratura gaussianas y algoritmos de optimización. Los primeros incluyen las cuadraturas de Gauss-Hermite y Gauss-Laguerre para, respectivamente, efectos aleatorios normales y doblemente exponenciales (es decir, Laplace simétrica); estos últimos incluyen un algoritmo de búsqueda de brújula modificado y optimizadores de propósito general (optimizar y optimizar). Las cuestiones de modelado e inferencia se detallan en Geraci y Bottai (2011) (un borrador preliminar está disponible a pedido). El paquete también proporciona comandos para el caso de datos independientes.