Nuestro estudio presenta un método innovador de estimación de parámetros bayesianos variacionales para el Modelo de Variable Latente Dinámica No Lineal de Cuantiles (QNDLVM), especialmente al tratar con datos faltantes y priors no paramétricos. Este método aborda las ineficiencias computacionales asociadas con el enfoque tradicional de Monte Carlo de cadena de Markov (MCMC), que lucha con conjuntos de datos grandes y parámetros de alta dimensionalidad debido a sus tiempos prolongados de cálculo, convergencia lenta y consumo sustancial de memoria. Al aprovechar el marco bayesiano variacional determinista, convertimos la estimación de parámetros complejos en un problema de optimización determinista más manejable. Esto se logra aprovechando la estructura jerárquica del QNDLVM y el principio de optimizar eficientemente las distribuciones posteriores aproximadas dentro del marco bayesiano variacional. Además, optimizamos el límite inferior de la evidencia utilizando el algoritmo de ascenso de coordenadas. Para especificar puntajes de propensión para manifestaciones de datos faltantes y covariables, adoptamos modelos logísticos y probit, respectivamente, con Bayes variacionales de campo medio conjugado condicional para modelos logísticos. Además, utilizamos la influencia local bayesiana para analizar el conjunto de datos de Evaluación Momentánea Ecológica (EMA). Nuestros resultados resaltan la notable precisión del enfoque bayesiano variacional y su capacidad para aliviar significativamente las demandas computacionales, como se demuestra a través de estudios de simulación y aplicaciones prácticas.