En este trabajo, se propone un método de selección de variables bayesianas para modelos cuantiles autorregresivos espaciales (SAR) basado en la priorización de pico y losa para los parámetros de regresión. Los modelos cuantiles SAR, que son más generalizados que los modelos SAR y los modelos de regresión cuantil, se especifican mediante la adopción de la distribución Laplace asimétrica para el término de error en los modelos clásicos SAR. El enfoque propuesto podría realizar simultáneamente una estimación paramétrica robusta y una selección de variables en el contexto de los modelos cuantiles SAR. Las inferencias estadísticas bayesianas se implementan mediante un detallado procedimiento de Monte Carlo de cadenas de Markov (MCMC) que combina muestreadores de Gibbs con un algoritmo de transformación integral de probabilidad (PIT). Al final, se emplean ejemplos numéricos empíricos que incluyen varios estudios de simulación y un análisis de datos de precios de viviendas en Boston para demostrar las metodologías recién desarrolladas.