Junto con el rápido desarrollo del sistema de información geográfica, han surgido datos espaciales heterogéneos de alta dimensionalidad que plantean desafíos teóricos y computacionales para la modelización y análisis estadístico. Como resultado, la reducción efectiva de la dimensionalidad y el reconocimiento del efecto espacial se han vuelto muy importantes. Este artículo se centra en la selección de variables en el modelo autorregresivo espacial con perturbaciones autorregresivas (SARAR) que contiene un efecto espacial más completo. El procedimiento de selección de variables se presenta utilizando el enfoque de verosimilitud cuasi penalizada. Bajo condiciones regulares adecuadas, obtenemos la tasa de convergencia y la normalidad asintótica de los estimadores. Los resultados teóricos garantizan que el método propuesto puede identificar eficazmente los efectos espaciales de las variables dependientes, encontrar la heterogeneidad espacial en los términos de error, reducir la dimensión y estimar simultáneamente los parámetros desconocidos. Basándonos en una transformación paso a paso, se desarrolla un algoritmo iterativo factible para realizar la identificación del efecto espacial, la selección de variables y la estimación de parámetros. En el contexto de muestras finitas, los estudios de Monte Carlo y el análisis de datos reales demuestran que el método penalizado propuesto funciona bien y es consistente con los resultados teóricos.