La fusión de datos multisensoriales y multimodales juega un papel fundamental en aplicaciones de inteligencia artificial a gran escala que involucran grandes volúmenes de datos. Sin embargo, la elección de estrategias de fusión para diferentes escenarios suele basarse en comparaciones experimentales, lo que conlleva un aumento en los costos computacionales durante el entrenamiento del modelo y un rendimiento subóptimo durante las pruebas. En este documento, presentamos un análisis teórico de los métodos de fusión temprana, fusión tardía y fusión gradual. Derivamos condiciones de equivalencia entre las fusiones tempranas y tardías dentro del marco de modelos lineales generalizados. Además, analizamos las condiciones de fallo de la fusión temprana en presencia de relaciones no lineales entre características y etiquetas. Además, proponemos una ecuación aproximada para evaluar la precisión de los métodos de fusión temprana y tardía en función del tamaño de la muestra, la cantidad de características y el número de modalidades. También proponemos un umbral crítico de tamaño de muestra en el que la dominancia de rendimiento de los modelos de fusión temprana y tardía experimenta un cambio. Finalmente, presentamos un paradigma de selección de método de fusión para seleccionar el método de fusión más apropiado antes de la ejecución de la tarea y demostramos su efectividad a través de experimentos numéricos extensos. Se espera que nuestro marco teórico resuelva los problemas de costos computacionales y de recursos en la construcción de modelos, mejorando la escalabilidad y eficiencia de los métodos de fusión de datos.