Die formale Modellbildung erfordert eine enge Zusammenarbeit zwischen Klienten und Datenanalysten bzw. Statistiker, da häufig eine große Zahl unterschiedlicher Modelle zu den Daten passen kann. Eine Modellauswahl rein aus statistischer Sicht ist so meist nicht möglich, Fingerspitzengefühl ist verlangt!
Ähnliches gilt auch für die Modelldiagnostik: diese ist notwendig, um (grobe) Fehler der Modellbildung aufzudecken. Trotzdem kann die "bestandene" Diagnostik eines Modells nur sehr wenig über die Tauglichkeit dieses Modells sagen; dies ändert sich erst, wenn ein Modell gegen spezifische Alternativmodelle geprüft wird.
Soll ein Modell zur Prädiktion verwendet werden, kann es auch sinnvoll sein, mehrere Modelle anzupassen und den Mittelwert der Modellvorhersagen zu verwenden.
Gute Möglichkeiten, vorhandenes Wissen in die Modellbildung einzubringen, bieten Bayessche Modelle, besonders hierarchische Mehrebenenanalysen (multilevel hierarchical modeling).
