Los modelos de regresión de cuantiles son estructuras notables para llevar a cabo análisis de regresión cuando los datos están sujetos a ausencias. Los valores faltantes ocurren debido a varios factores como faltantes completamente al azar, faltantes al azar o faltantes no al azar. Todo esto puede resultar de un mal funcionamiento del sistema durante la recolección de datos o un error humano durante el preprocesamiento de datos. Sin embargo, es importante lidiar con los valores faltantes antes de analizar los datos, ya que ignorar u omitir valores faltantes puede resultar en un análisis sesgado o desinformado. Este documento estudia las regresiones de cuantiles desde una perspectiva bayesiana. Al proponer un marco de modelo jerárquico, desarrollamos un enfoque alternativo basado en aproximaciones bayesianas variacionales determinísticas. Se adoptan modelos logísticos y probit para especificar puntajes de propensión para manifestaciones faltantes y covariables, respectivamente. Se propone un método de selección de variables bayesianas para reconocer covariables significativas. Varios estudios de simulación y ejemplos reales ilustran las ventajas de la metodología propuesta y ofrecen algunas posibles direcciones para investigaciones futuras.