Hay una teoría metodología sólida para hacer lo que están pidiendo. Cuando tienes varios modelos para comparar, la única opción es la modelo Bayesiano de selección y Bayesian model averaging.
Bayesiano métodos tienen varias propiedades que se desea. Cualquier estadística creado es intrínsecamente "admisible" y "coherente." La desventaja, que no existe para Frecuentista métodos, es que se basa en el razonamiento inductivo en lugar de razonamiento deductivo. Un artículo sobre esto se puede encontrar en https://plato.stanford.edu/entries/induction-problem/
La inducción sólo le permite poner a prueba los modelos que tienen, pero no pueden probar los modelos que no tienen y así será siempre incompleta. Si usted rechaza una Frecuentista hipótesis nula, entonces usted rechazar todas las teorías, excepto el valor null. El problema con esto pasa cuando el modelo es complejo y no puede ser convertido en un puro binario hipótesis. Es peor cuando hay más de un modelo rechaza su nulo. Si eso sucede entonces, Frecuentista de la teoría, no se pronuncia sobre qué hacer.
Una estadística es admisible si no es menos arriesgada manera de crear y es coherente si se puede poner una feria de apostar por él. La idea de un parámetro es más flexible en Bayesiano pensar que Frecuentista. Un modelo es un parámetro en el pensamiento Bayesiano. Como se trata de un parámetro, se puede construir una probabilidad declaración a su alrededor. El teorema de Bayes, recompensas, naturalmente, la mejor montaje de los modelos, mientras que penalizar a los modelos de más estructura. Es un natural de la navaja de Occam con una interpretación matemática. También simplemente deja de lado Friedman defensa como innecesario.
Uno de los mejores axiomático construcciones para la estadística Bayesiana es de Cox. Lo puedes encontrar en
Richard T. Cox. El Álgebra de Inferencia Probable. 1961. Johns Hopkins University Press. Baltimore, MD
Se asigna "plausibilities" a la lógica de afirmaciones. Generalmente como odds o probabilidades. Sorprendentemente, vale la pena leer. Si usted está haciendo el modelo o la teoría de la comparación, entonces, que más que eso, este es el caso.