Đánh giá một mô hình: Phần sống còn của quá trình mô hình hóa là đánh giá mô hình toán học đề xuất có mô tả chính xác hệ thống hay không. Điều này tùy vào cách đánh giá.
Phù hợp với dữ liệu theo kinh nghiệm: Thông thường, cách đơn giản nhất để kiểm tra sự phù hợp của mô hình đề xuất là dựa vào các số liệu đã đo đạc thực nghiệm hay các dữ liệu mang tính kinh nghiệm khác. Với mô hình có tham số, theo hướng trên, cách chung để kiểm tra sự phù hợp là chia dữ liệu thanh 2 tập riêng biệt: dự liệu tập huấn (training data) và dữ liệu kiểm chứng (verification data). Dữ liệu tập huấn được dùng để ước lượng các tham số. Và mô hình tham số đưa ra cùng với các giá trị tham số được tìm ra, nếu chính xác, khi được chạy thử với dữ liệu kiểm chứng sẽ cho kết quả theo mong đợi. Cách này còn có tên gọi là cross-validation trong thống kê. Dữ liệu tập huấn là tập gồm các {đầu vào, đầu ra mong đợi}. Áp dụng mô hình toán học đề xuất, với đầu vào cung cấp ta sẽ có đầu ra quan sát (tức là đầu ra dựa trên đầu vào và các thông số ban đầu của mô hình có tham số). Ta sẽ so sánh đầu ra quan sát này với đầu ra mong đợi (đã có sẵn từ tập dữ liệu tập huấn). Mục tiêu là đề xuất một phép đo với mục tiêu tối thiểu hóa sự khác biệt giữa đầu ra quan sát và đầu ra mong đợi. Thông thường người ta sử dùng hàm phương sai tối thiểu (least mean squared function). Trong thống kê, lý thuyết quyết định, và một số mô hình kinh tế, vai trò này do hàm thất thoát (loss function) đảm nhiệm.
Như vậy, có thể nói rằng để kiểm chứng tính phù hợp của giá trị các tham số (đối với một mô hình tham số cho sẵn) thì không phức tạp, nhưng việc kiểm chứng sự đúng đắn trong việc lựa chọn đúng mô hình tham số phù hợp, hay dạng toán tổng quát cho một mô hình lại trở nên rất khó khăn. Nói chung, cần dùng nhiều công cụ toán để kiểm chứng sự phù hợp của một mô hình thống kê hơn là mô hình sử dụng phương trình sai phân. Các công cụ trong thống kê phi tham số (nonparametric statistics) có thể được dùng để đánh giá độ phù hợp của dữ liệu với một phân bố cho sẵn hoặc đi đến một mô hình tổng quát mà chỉ sự dụng giả thiết tối thiểu về dạng toán của mô hình.
Qui mô của mô hình: Việc ước định qui mô của một mô hình, nghĩa là xác định tình huống mà mô hình có thể áp dụng hiệu quả, là không phức tạp. Nếu mô hình được xây dựng nên từ một tập dữ liệu nào đó, thì tình huống chính là loại dữ liệu mà đã dùng.
Nội suy chính là xem xét hệ thống có mô tả tốt các tính chất của dữ liệu được dùng hay không, và ngoại suy là xác định hệ thống có mô tả tốt tính chất của dữ liệu chưa được quan sát (chưa được dùng) hay không.
Một ví dụ về giới hạn của việc áp dụng mô hình của tình huống này cho một tình huống khác: trong cơ học cổ điển Newton đã mô hình chuyển động của các phân tử (hạt) rất nhỏ (với tốc độ gần bằng tốc độ ánh sáng và thời đó chưa đủ thiết bị để đo đạc) dùng mô hình chuyển động của các phần tử vĩ mô. Và thực tế cho thấy là mô hình này không có ngoại suy tốt cho trường hợp hạt vi mô.
Kinh tế học vi mô (microeconomic) hay là kinh tế tầm nhỏ là một phân ngành chủ yếu của kinh tế học, chuyên nghiên cứu về hành vi kinh tế của các cá nhân (gồm người tiêu dùng, nhà sản xuất, hay một ngành kinh tế nào đó) theo cách riêng lẻ và biệt lập.
Mục tiêu nghiên cứu: Một trong những mục tiêu nghiên cứu của kinh tế vi mô là phân tích cơ chế thị trường thiết lập ra giá cả tương đối giữa các mặt hàng và dịch vụ và sự phân phối các nguồn tài nguyên giới hạn giữa nhiều cách sử dụng khác nhau. Kinh tế vi mô phân tích thất bại của thị trường, khi thị trường không vận hành hiệu quả, cũng như miêu tả những điều kiện cần có trong lý thuyết cho việc cạnh tranh hoàn hảo. Những ngành quan trọng trong kinh tế vi mô bao gồm thị trường dưới thông tin bất đối xứng, chọn lựa với sự không chắc chắn và các áp dụng trong kinh tế của lý thuyết trò chơi.