El proceso de comparar y elegir entre modelos matemáticos o estadísticos competidores en base a criterios como rendimiento predictivo, complejidad, parsimonia, criterios de información o puntuaciones de validación cruzada.

Principio

La selección de modelos equilibra ajuste contra complejidad del modelo para evitar sobreajuste, usando criterios formales (AIC, BIC), validación predictiva (cross‑validation) o métricas teorético‑decisionales que ponderan la pérdida predictiva esperada y la interpretabilidad.

Demostración

Elegir entre regresión lineal y polinómica por el error predictivo obtenido en validación cruzada; seleccionar el número de componentes en un modelo de mezclas según BIC; decidir entre modelos epidemiológicos mecanísticos en competencia según previsiones fuera de muestra y parsimonia.

Aplicación incorrecta

Seleccionar modelos únicamente por ajuste in‑sample o por un único p-valor sin penalizar la complejidad, o realizar la selección con los mismos datos que luego se usan para inferencia o pruebas (fuga de datos), lo que infla el rendimiento aparente y conduce a mala generalización.

Consecuencia

Una selección adecuada produce modelos que generalizan mejor a nuevos datos, simplifica la interpretación y respalda decisiones fiables; también clarifica la incertidumbre de modelo y puede llevar al promedio de modelos cuando ningún modelo único es claramente superior.

Inversión

Promediado de modelos o enfoques en ensemble: en lugar de elegir un solo modelo, combinar varios modelos ponderados por su rendimiento o probabilidad posterior para cubrir la incertidumbre de selección y a menudo mejorar la precisión predictiva.

Límite

Se centra en elecciones estructurales entre formas de modelo y niveles de complejidad en competencia; excluye la estimación de parámetros dentro de un modelo fijado (aunque ambos interactúan) y la calibración orientada a afinar el rendimiento predictivo de un modelo elegido sin cambiar su estructura.

Tensión semántica

Hay tensión entre selección y promedio: la selección se compromete con una única estructura y facilita la interpretación, mientras que el promedio reconoce la incertidumbre de modelo y puede mejorar la predicción a costa de interpretabilidad y simplicidad operativa.

Síntesis

La selección de modelos es la comparación y elección fundada entre alternativas modelísticas usando penalizaciones por complejidad y medidas de rendimiento predictivo, proporcionando una decisión estructural defendible y reconociendo la incertidumbre residual y la opción del promedio.