Recentemente, o pacote lqmm "Linear Quantile Mixed Models" foi carregado no CRAN. Embora eu nunca o tenha usado, o pacote lqmm parece fazer o que você deseja.
Esta apresentação do useR! A conferência de 2011 mostra alguns exemplos do pacote. Aqui está uma descrição do pacote retirado do useR! Resumos da conferência de 2011:
A regressão quantílica condicional (QR) refere-se à estimativa de quantis desconhecidos de um resultado em função de um conjunto de covariáveis e um vetor de coeficientes de regressão fixos. Nos últimos anos, a necessidade de ampliar os recursos do QR para dados independentes para lidar com projetos de amostragem em cluster (por exemplo, medidas repetidas) levou a várias abordagens bastante distintas. Aqui, considero a abordagem baseada em probabilidade que depende da estrita relação entre o problema da norma L₁ ponderada associado a um modelo QR condicional e a distribuição assimétrica de Laplace (Geraci e Bottai, 2007).
Nesta apresentação, ilustrarei o uso do pacote R lqmm para executar QR com efeitos mistos (fixos e aleatórios) para um modelo aninhado de dois níveis. A estimativa dos coeficientes de regressão fixos e da matriz de covariância dos efeitos aleatórios é baseada em uma combinação de aproximações de quadratura gaussiana e algoritmos de otimização. Os primeiros incluem quadraturas de Gauss-Hermite e Gauss-Laguerre para, respectivamente, efeitos aleatórios normais e duplamente exponenciais (isto é, Laplace simétrico); os últimos incluem um algoritmo de busca de bússola modificado e otimizadores de uso geral (otimizar e otimizar). Modelagem e questões inferenciais estão detalhadas em Geraci e Bottai (2011) (um esboço preliminar está disponível mediante solicitação). O pacote também fornece comandos para o caso de dados independentes.