Seleccionar el mejor modelo de un conjunto de candidatos para un conjunto de datos dado obviamente no es una tarea fácil. En este documento, proponemos un nuevo criterio que tiene en cuenta una penalización mayor al agregar demasiados coeficientes (o parámetros estimados) en el modelo a partir de una muestra demasiado pequeña en presencia de demasiado ruido, además de minimizar la suma de los errores cuadrados. Discutimos varias aplicaciones reales que ilustran el criterio propuesto y comparamos sus resultados con algunos criterios existentes basados en un conjunto de datos simulados y algunos conjuntos de datos reales que incluyen datos de presupuesto publicitario, datos de presión arterial recopilados recientemente y datos de fallas de software.