在经济学、区域科学和地理学中,空间模型对于实证性问题的分析起着重要的作用。其中讨论最多的是空间自回归模型,它可以用来解决空间数据普遍存在的空间依赖和空间自相关性问题。传统的空间自回归模型认为所有回归变量对因变量的影响都是线性的,然而当非线性分量存在会使得因变量估计误差变大。随着计算机技术的飞速发展,人们获得了体量庞大的观测数据,变量选择成了现代统计分析的热门问题之一。综上,本文研究了参数维数发散的部分线性空间自回归模型的变量选择问题。本文采用B样条基函数近似非线性函数,使用工具变量处理具有内生性的空间滞后项。该方法第一步将复杂的模型转化为经典的线性模型,然后在模型中引入SCAD惩罚,同时进行变量选择与参数估计,最终得到惩罚最小二乘估计。在正则性条件下,建立了惩罚估计的相合性和Oracle性质,得到非线性函数的最优收敛速度。通过模拟研究,本文验证了提出的惩罚最小二乘估计方法能够有效的识别出非零系数和零系数,并用实际数据进行了说明。此外,本文还简要讨论了惩罚似然比检验统计量,通过对惩罚函数施加一些温和的条件,得到了检验统计量在原假设下的渐近分布。