Este artículo amplía la distribución beta prime normal (NBP) previa a la regresión cuantílica bayesiana en modelos de efectos mixtos lineales y realiza la selección de variables bayesianas para los efectos fijos del modelo. La elección de hiperparámetros en la distribución NBP previa es crucial, y empleamos el Expectation-Maximization Bayesiano Variacional (VBEM) para la estimación del modelo y la selección de variables. El algoritmo de muestreo de Gibbs es un método bayesiano comúnmente utilizado, y también se puede combinar con el algoritmo EM, denominado GBEM. Los resultados de nuestra simulación y análisis de datos reales demuestran que tanto los algoritmos VBEM como GBEM proporcionan estimaciones robustas para los hiperparámetros en la distribución NBP previa, reflejando el nivel de esparcidad del modelo real. Los algoritmos VBEM y GBEM muestran una precisión comparable y pueden seleccionar de manera efectiva variables explicativas importantes. El algoritmo VBEM destaca en cuanto a eficiencia computacional, reduciendo significativamente el tiempo y el consumo de recursos en el análisis bayesiano de datos longitudinales de alta dimensionalidad.