Los modelos de series de tiempo tradicionales asumen una misma frecuencia entre la variable dependiente y las variables explicativas. Sin embargo, en finanzas y en macroeconomía existen variables dependientes trimestrales que pueden ser explicadas o predichas por variables independientes diarias o mensuales, respectivamente. Para resolver este problema, la literatura ha desarrollado la metodología MIDAS (mixed-data sampling) que emplea un polinomio de rezagos distribuidos para relacionar variables de alta frecuencia con variables de baja frecuencia. Cuando la diferencia entre frecuencias es alta, típicamente se han empleado restricciones a los coeficientes para reducir la varianza de los estimadores y solucionar el problema de sobreparametrización (metodología MIDAS). Cuando la diferencia entre frecuencias es baja, existen relativamente pocos parámetros a estimar, por lo que un modelo sin restricciones (U-MIDAS) funciona mejor para nowcasting y backcasting. Esta investigación pretende darle un tratamiento bayesiano a la decisión de imponer o no restricciones al polinomio del modelo. Es decir, trata de ubicarse en el medio de los dos extremos (MIDAS y U-MIDAS) al imponer restricciones, determinadas empíricamente, de manera estocástica. El tratamiento consiste de un prior de “suavizamiento” sobre la distribución de rezagos del polinomio, y para encontrarlo, realiza tanto una calibración bayesiana empírica como un promedio ponderado de modelos bayesianos.