模型选择的准确性对系数估计、数据分析、统计决策都有着至关重要的作用。近些年来,许多学者针对模型建立中解释变量的准确选取提出了不同的方法,并在应用中有着不错的效果。但是,随着数据生成机制复杂程度的增加,简单的变系数模型已经不能满足数据变化特征的要求,那么在建立模型时就需要考虑更多影响数据变化的因素。针对具有时空特点的数据,时空加权回归模型(GTWR)通过把时间和地理位置的因素纳入到解释变量的系数中给出了一个合理解释,GTWR模型可以形象的分析变量间的相依关系,而且从系数函数的变化也能清晰的反映数据分布的时空特征。然而,和其他简单模型一样,GTWR模型中解释变量的准确选取对模型的精度也是至关重要的。因此本文将对GTWR模型的系数表示、变量选择的方法以及性质、模拟实证方面进行研究。首先,基于最小二乘原理,通过利用样条基函数,给出了具有时空特点的变系数函数的逼近形式,样条基函数的局部支撑性、单位分解性等良好的性质在进行变量选择的过程中使得理论方法的推导更具规律性,并且样条基函数的局部支撑性使得系数估计值更具灵活性。其次,目标函数在最小二乘目标函数的基础上结合惩罚项,不仅对系数函数做出估计,而且对与响应变量无关的解释变量所对应的系数函数进行压缩,保留重要变量,剔除与响应变量不相关的解释变量,确定精确的模型形式。同时,为了说明方法的合理性,给出相关重要定理的证明,结论说明研究方法是合理的。最后,在模拟实证部分,本文首先对三种不同的变量选择方法在不同样本数量的条件下做模拟分析,结果表明,SCAD方法在样本数量增加的情况下对模型的系数函数的估计最准确,而且模型误差也最小。其次基于GTWR模型,应用气象数据对我国70个城市的空气质量分别从时间和空间的跨度上做了实例分析,研究结果表明,不管是时间因素还是空间因素,都影响着解释变量对响应变量的贡献比重,呈现一定的时空非平稳性,并且得到的系数估计值在不同时间点和不同区域都有着较好的拟合效果。