El enfoque de discriminación

Considérese los modelos C y D anteriores. Supóngase que se estiman ambos modelos. Entonces, se puede seleccionar entre estos dos (o más) modelos con base en algunos criterios de bondad de ajuste. Por ejemplo, se pueden obtener los valores del R²(=R²) ajustados de los modelos y seleccionar los modelos con R² más elevado. Por supuesto, al comparar los dos valores del R², la variable dependiente debe tener la misma forma (Por qué?). En la teoría hay otros criterios, además del R², para medir la bondad del ajuste, tales como la medida Sp de Hocking, la medida Cp de Mallow, la medida PC de Amemiya y la medida AIC de Akaike más el criterio de Schwarz, el criterio de Hannan-Quinn, y el criterio de Shibata. La exposición de estas medidas estaría por fuera del campo de estudio, por lo cual se hace mención a ésta en las referencias. Los paquetes de computador tales como SHAZAM, ET, Y TSP publican ahora uno o más deestos estadísticos.

Sin importar la medida utilizada, una desventaja del enfoque de discriminación es que éste simplemente órdena los modelos con base en uno de estos criterios y selecciona el modelo que da el valor más alto de la medida seleccionada de bondad de ajuste. Aparentemente, se considera que si un modelo sobresale entre otros términos de, por ejemplo, el valor más alto del R², éste debe ajustar mejor a los datos y, por consiguiente, debe ser el "verdadero" modelo. El sentido común sugiere que ésta podría no ser la mejor estrategia. Por consiguiente, se necesita desarrollar un procedimiento de prueba que preste atención a modelos alternativos en la estimación del modelo bajo consideración. Esta idea es la base del enfoque de discernimiento, que se analiza en seguida.