La selección de modelos y el promedio de modelos son enfoques populares para manejar las incertidumbres en la modelización. La literatura existente ofrece un marco unificado para la selección de variables a través de la verosimilitud penalizada y la selección del parámetro de ajuste es vital para una selección consistente y una estimación óptima. Pocos estudios han explorado el rendimiento de muestras finitas de la clase de estimadores de mínimos cuadrados ordinarios (OLS) post-selección con el parámetro de ajuste determinado por diferentes enfoques de selección. Nuestro objetivo es complementar la literatura estudiando la clase de estimadores OLS post-selección. Inspirados en el estimador de promedio de reducción (SAE) y el estimador de promedio de modelos de Mallows (MMA), proponemos además un estimador de MMA de reducción (SMMA) para promediar modelos escasos de alta dimensión. Nuestro diseño de Monte Carlo presenta un espacio de parámetros escasos en expansión y considera además el efecto del tamaño efectivo de la muestra y el grado de escasez del modelo en el rendimiento de muestras finitas de los estimadores. Encontramos que el estimador OLS de desviación absoluta suavemente recortada (SCAD) con el parámetro de ajuste seleccionado por el criterio de información bayesiana (BIC) en muestras finitas supera a la mayoría de los estimadores penalizados y que el SMMA tiene un mejor rendimiento al promediar modelos escasos de alta dimensión.