Faça uma boa análise de diagnóstico nos resíduos. A qualidade das suas inferências depende disso. Se estiver tudo ok nos dois modelos concorrentes eleja um critério de comparação. As medidas mais consideradas são R², RMSE, PRESS. Medidas como log-verossimilhança e AIC/BIC são coisas que dou preferência porém, quando a resposta é transformada, a log-verossimilhança não é diretamente comparada (BIC e AIC também não). Para ser precisa-se considerar um fator de correção que depende do jacobiano da transformação. Do meu ponto de vista, usar o modelo linearizado se tornou uma prática porque, sendo o modelo linear após a transformação, obter estimativas para os parâmetros é muito simples, mínimos quadrados. Já na versão não linear, envolve passar valores iniciais e otimizar, o que de fato não é um fator limitador nos dias de hoje. Quase sempre o interesse está no modelo não linear e não em sua versão linearizada. O mais importante disso é que ao aplicar uma transformação você muda as suposições sobre a distribuição das variáveis aleatórias do modelo.
À disposição.
Walmes.