La modelización de ingresos es crucial para determinar las ganancias de los trabajadores y es un tema de investigación importante en economía laboral. Los modelos de regresión tradicionales basados en distribuciones normales son ampliamente aplicados. Sin embargo, los datos de ingresos tienen un comportamiento asimétrico y son mejor modelados por distribuciones no normales. El objetivo de este trabajo es proponer regresiones cuantílicas paramétricas basadas en dos distribuciones de ingresos asimétricas: Dagum y Singh-Maddala. Los modelos de regresión cuantílica propuestos se basan en reparametrizaciones de las distribuciones originales al insertar un parámetro cuantílico. Presentamos las reparametrizaciones, propiedades de las distribuciones y los modelos de regresión cuantílica con sus aspectos inferenciales. Procedemos con estudios de simulación de Monte Carlo, considerando la evaluación del rendimiento de la estimación de máxima verosimilitud y un análisis de la distribución empírica de dos tipos de residuos. Los resultados de Monte Carlo muestran que ambos modelos cumplen con los resultados esperados. Aplicamos los modelos de regresión cuantílica propuestos a un conjunto de datos de ingresos familiares proporcionado por el Instituto Nacional de Estadística de Chile. Mostramos que ambos modelos propuestos tienen un buen rendimiento en el ajuste del modelo. Por lo tanto, concluimos que los resultados obtenidos favorecen los modelos de regresión cuantílica Singh-Maddala y Dagum para datos distribuidos positivamente asimétricos relacionados con los ingresos. Las implicaciones económicas de nuestra investigación se discuten en la sección final. Por lo tanto, nuestra propuesta puede ser una valiosa adición al conjunto de herramientas de estadísticos aplicados y econometristas.