模型估计是选择模型的最佳（根据某些度量）种类和结构的过程。估计可能包括校准。

校准是找到使模型（其类型和结构已经确定）最接近（根据某些度量）反映特定已知数据集的系数的过程。

所以：估计会设置种类、结构和系数。校准将调整系数，保持种类和结构不变。

牛顿的运动模型适用于大多数用途。通过校准其中的引力系数，我们可以估算出地球的质量。但它不能作为相对论运动的模型——需要估计不同的模型：牛顿模型没有重新校准适用于相对论运动——没有系数会起作用，因为模型本身就是错误的类型，而且结构体。如果模型要有用，它会忽略绝对关键的机制和响应。

与经济模型类似，保罗克鲁格曼的观点是淡水经济学家说他们的模型结构很好，只是系数需要调整。这样做的问题是，如果它们的结构是错误的，那么再多的调整也不会使模型变得有用。只有回归基础，重新评估整个模型，它们才会包含关键机制和响应。他认为他们不会那样做，因为这将要求他们认识到他们现有的范式是不够的。

由于编辑稍微改变了问题的含义：

克鲁格曼描述的是以下过程：

1. 一个人想要建模一些东西，比如货币政策
2. 一个人创建一个模型并从中估算出一些东西
3. 结果由于某种原因并不令人满意，例如，它们与一些被广泛接受的理论背道而驰
4. 不相信所估计的是正确的模型，而是“校准”它（调整一些变量、假设等），直到估计符合人们认为正确的答案

例如，创建一个模型来估计一年中给定日期商店中产品的销售额。对一年中大部分时间的预测看起来是合理的，但对圣诞节季节的估计似乎是错误的（例如，销售额与 11 月的水平相似，但应该更大）。然后校准模型，可能会更改或添加一些新变量，因此 12 月的预测将比之前收到的更大。

校准是在两个测量值之间进行比较——一个是已知大小或正确性，另一个是我们希望尽可能接近第一个。例如，如果我们有关于商店在给定日期销售了多少给定商品的数据，并且我们想要校准一个预测销售额的模型，我们将过去的数据提供给模型并将给定的输出与实际价值进行比较（并可能更改模型以准确预测数据）。

估计是结果的近似值，即使我们没有所有数据。在同一个示例中，估计将询问模型未来的销售情况（因为我们还不知道从现在到估计日期会发生的所有变量）。

所以简而言之，你校准模型，直到它按你想要的那样正常工作，然后你用它来估计未来会发生什么。