La incertidumbre en la selección de modelos ha atraído mucha atención de los académicos recientemente porque afecta significativamente la estimación de parámetros y la predicción. Los académicos están abordando y cuantificando la incertidumbre en la selección de modelos al concentrarse en la combinación de modelos y en los conjuntos de confianza del modelo. En este documento, presentamos un nuevo enfoque para construir conjuntos de confianza de modelos, al que llamamos AMac. Proporcionamos un límite teórico inferior sobre el grado de confianza en los conjuntos de confianza del modelo que ha construido AMac. Además, discutimos cómo la implementación de los métodos actuales de construcción de conjuntos de confianza de modelos se vuelve difícil al tratar con variables de alta dimensionalidad. Para abordar este problema, sugerimos construir caminos de selección de modelos (MSP) como solución. Desarrollamos un algoritmo para construir MSP y demostramos su efectividad utilizando las teorías de lasso adaptativo y lars. Realizamos un extenso conjunto de experimentos de simulación para comparar el rendimiento de los métodos Mac y AMac. Según los resultados, AMac es más estable cuando hay fluctuaciones en los niveles de ruido. Los conjuntos de confianza del modelo construidos por AMac, en particular, logran tasas de cobertura que están más cerca del nivel de confianza deseado, especialmente en presencia de altos niveles de ruido. Para confirmar aún más que MSP puede generar con éxito conjuntos de confianza de modelos que mantienen el nivel de confianza dado a medida que aumenta el tamaño de la muestra, realizamos extensas pruebas de simulación con variables de alta dimensionalidad. En última instancia, esperamos que las estrategias y conceptos discutidos en este trabajo mejoren los resultados en investigaciones posteriores sobre la incertidumbre de la selección de modelos.