1. Principio de Parsimonia
Entre dos modelos de desempeño predictivo equivalente, se debe elegir siempre el más sencillo (menor número de parámetros $p$).
2. Indicadores de Rechazo Directo
$\text{DET} > 0.1$: Determinante de correlación. Si es $\le 0.1$, se descarta por colinealidad.
$\frac{C_p}{p} < 5$: Colin Mallows. Si es $\ge 5$, se descarta por sesgo o subespecificación.
3. Criterios de Calidad Predictiva
$\text{PRESS}$: Suma de cuadrados de predicciones excluidas ($\sum d_i^2$). Cuanto más bajo, mejor para extrapolación.
$R^2_{\text{adj}}$ alto, $S^2$ bajo y $\text{VIF} < 10$.
Conclusión del Proceso Exploratorio (Caso 20 Observaciones)
Entre los 15 modelos posibles generados por la macro, solo 4 modelos superan la depuración ($\text{DET} > 0.1$ y $\frac{C_p}{p} < 5$). El modelo candidato con mejor desempeño predictivo global es $Y = f(X_1, X_3, X_4)$ con $\text{PRESS} = 19.34$, $R^2_{\text{adj}} = 98.85\%$ y $S^2 = 0.6974$. Al pasar a la segunda etapa (Análisis Confirmatorio), se verifica que la variable $X_1$ posee un $p$-valor de $0.1197 > 0.05$ (no significativa individualmente), por lo cual el modelo final parsimonioso confirmado se reduce óptimamente a $Y = f(X_3, X_4)$.