传统的回归分析主要使用均值回归模型,而均值回归模型所估计的是因变量的条件期望,无法描述变量的分布,其结果反映因变量条件分布的位置信息,无法刻画分布的尺度或形状。分位数回归模型的应用条件相对于传统的均值回归模型更为宽松,也可以弥补均值回归模型的上述缺陷。正由于分位数回归模型的各种优点,经过四十余年的发展,学者们将分位数回归运用于各个领域:分位数回归模型与空间计量模型相结合,形成空间分位数模型;分位数回归模型与变系数模型相结合,形成变系数分位数模型。另外,变量选择方法从上世纪六十年代提出以来,一直是统计学的热点研究方向。本文将分位数回归模型与空间计量模型、变系数模型相结合,构造出时变系数空间滞后分位数回归模型;在此基础上,本文在该模型的参数估计过程中添加惩罚函数使得估计结果更加精确,并通过数值模拟讨论了本文提出的“三步骤估计法”的有效性,研究发现在不同方差、不同样本量情况下,该方法具有精度高、稳定性强的优点。之后,结合变量选择方法,分别讨论不同系数稀疏程度、不同变量相关程度、是否存在严格的组相关、不同扰动项以及不同样本量等各种情形下参数估计效果的优异。在实证部分,本文探究了环境质量的影响因素,构造基于Adaptive Lasso的时变系数空间滞后分位数回归模型,研究结果表明第三产业占比、居民消费水平以及年末常住人口数量等指标对环境质量的影响程度较大,而且也能看到不同变量对环境质量的影响程度随时间的变化情况。