我们考虑了在存在高维协变量的情况下，基于层次模型的变量选择的贝叶斯方法，该模型将先验分布置于回归系数和模型空间上。我们采用了众所周知的尖峰和平板高斯先验，其具有一个独特的特征，即先验方差取决于可以实现适当收缩的样本大小。我们证明了该方法的强选择一致性，即当协变量的数量几乎随样本大小呈指数增长时，真实模型的后验概率收敛到1。这可以说是贝叶斯变量选择文献中可用的最强的选择一致性结果；然而，该方法可以通过使用简单的吉布斯采样器进行后验采样来实现。此外，我们还证明了该方法与具有$L_{0}$惩罚的模型选择是渐近相似的。我们还通过实证工作证明，相对于一些最先进的替代方案，所提出的方法具有良好的性能。