校核规则定制. （1） 数据逻辑性评价模型。 主要思路是：对于具体的应用根据领域知识定义显式约束规则，然后根据一定的数学方法求出规则的整个闭集，对于每条记录，自动判断其是否违反规则约束。
（2） 数据及时性评价模型。 及时性评价包括数据处理（获取、整理、加载等）的及时性，数 据异常检测的及时性，数据处理更新的及时性等。在该项目中，数据 及时性主要是指数据更新及时性，评价指标为数据更新周期。
（3） 数据一致性评价模型。 一致性评价是指数据在不同环节进行清洗转换时，检查转换前后记录数和汇总数是否一致。一致性的量化评价指标包括记录数一致率、汇总数一致率，字段分类记录数一致率及字段分类汇总数一致率等。
（4） 指标波动性校核模型。 主要考量关键经济指标的稳定性，一般认为关键指标的同比增长速度会处于一个合理范围之内，通过历史数据和全国其他省份的全量数据进行稳定性分析，通过数据分析的方法量化得出每个经济指标的合理区间。
（5） 指标离群值校核模型。 所谓离群值(outlier)是指在数据中有一个或几个数值与其他数值相比差异较大。可以从数据的分布来甄别出离群值，对于呈正态分布的数据，一般认为 3 个标准差以外的数值属于离群值。
（6） 指标比率合理性校核模型。 指标比率的合理性在离群值检测里已经进行了大部分合理范围的检测，这里更强调的是不同资金指标之间合理的勾稽关系。另外可通过历史数据全量分析常用的资金指标和之间的比例关系，给出合理的取值范围区间。
（7） 数据孤立点探测模型。 识别离群值的传统方法通常是一次检查一个或两个变量，通过优化模型算法和加入聚类分析方法可以检查大量字段以识别相似记录，直接探测孤立点数据或异常观测值。即使在离群值不符合任何已知模式的情况下，异常检测模型也使识别离群值成为可能，在新模式可能不断涌现的应用（如缺陷检测）中，该模型可能尤其有用。
