Los modelos lineales generalizados se utilizan rutinariamente en muchos problemas de estadísticas ambientales, como la predicción de magnitudes de terremotos. Hu et al. propusieron la regresión de Pareto con efectos aleatorios espaciales para las magnitudes de los terremotos. En este artículo, proponemos la selección de variables espaciales bayesianas para la regresión de Pareto basada en Bradley et al. y Hu et al. para abordar el problema de selección de variables en modelos de regresión lineales generalizados con efectos aleatorios espaciales. Se aplica un marco de modelo jerárquico bayesiano de log gamma multivariado latente para tener en cuenta los efectos aleatorios espaciales y capturar la dependencia espacial. Utilizamos dos criterios de evaluación de modelos bayesianos para la selección de variables, incluyendo el Orden Predictivo Condicional (CPO) y el Criterio de Información de Deviancia (DIC). Además, mostramos que estos dos criterios bayesianos tienen conexiones analíticas con el AIC condicional en el contexto del modelo lineal mixto. Examinamos el rendimiento empírico del método propuesto a través de un estudio de simulación y demostramos además la aplicabilidad del método propuesto en un análisis de los datos de terremotos obtenidos del Servicio Geológico de los Estados Unidos (USGS).