日报标题：经济学家预测本市菜价下个月要降低 7.35%，结果还挺准
知乎用户，机智豆豆的表哥╭(╯^╰)╮
这个问题实在是太大了，不同经济指标的特性、数据可得性不一样，预测的方法也千差万别，最好问具体的经济指标怎么计算比较好。预测的精度要求、预测的即时性都会对预测方法产生影响，要知道未来某一具体经济指标的具体数值真的是不容易的。
大体来说：指标越明确，预测方法越多。相关数据越多，通过校准实现的预测精度越高。预测的时间节点越靠近发生的时间节点，预测越依托真实数据、计量模型而不是黑箱模型、主观判断。
CPI 是大家最关心也是最不满的指标 ，比如回答中 @aohoas 的吐槽，我拿它的预测来举个例子。
下图是 CPI 月环比数据，通过观察，我们发现存在一个约 12 个月的波动周期，环比增幅低点在 7、8 月份（周期谷底），高点出现在 1、2 月份（周期峰顶），波动上升期和波动下降期时间间隔均为 6 个月，在没有高频数据参考之前，对于 CPI 预测，我们会初步把 CPI 环比涨幅定为历史同月环比在过去 5 年的均值。
是不是感觉有点不靠谱？当然！但须知道，这也是种预测方法哦，在什么都不知道情况下，这可以说是目前一种“最不坏”的办法，一旦有更多的信息（例如高频的镜像观察数据、政策趋势上的判断），必然要有所调整。
进行远期 CPI 环比测算方法有很多（这里远期一般界定为年初对全年的预测），往往依靠黑箱模型如 GM（1,1），BP 神经网络，混频模型，但内在机理不清楚，实际预测中难以解释 CPI 变动的原因，所以大部分经济学家不会采用，经济学家往往是对分项（主要是猪肉、蔬菜、衣服）的趋势进行预测，汇总得到，下面会有说明。半年期或者一个季度前的 CPI 预测，主要基于宏观变量之间联系的模型，如野村证券使用产出缺口指标，名义有效汇率，广义货币供应量，前一个季度 CPI 的和大宗商品价格指标（CRB 现货指数）对 CPI 进行预测，方法的缺陷在于无法体现如食品采购、燃油补贴等最新政策效果。
我们通常得到的 CPI 预测是证券研究所发布的一个月前精确预测，依据 CPI 构成篮子中食品、非食品大类中各细分项的权重，参照高频数据，分别估算出 CPI 食品、非食品当月环比涨幅。最后依据下述公式得出 CPI 同比涨幅的预估值。
CPI 同比涨幅＝［（1＋食品当月环比涨幅）×食品权重＋（1＋非食品当月环比涨幅）×非食品权重］×上月定基环比指数÷去年同月定基环比指数－1
大体来说，经济指标预测方法分为四类： 一是存在高频数据的分项，CPI 中这类分项主要集中于食品，当月的预测值可以通过观察高频数据估计，估计的准确性取决于数据与分项 CPI 的相关性； 二是季节性波动较强的分项，CPI 中衣着、娱乐的环比或同比数据存在较强的季节波动规律，可以通过时间序列模型模拟的方法进行估计，波动越规律，估计准确性越高； 三是存在明显上下游或者产业规律的分项，这类可以用于远期预测，四是影响因素多缺少数据的分项，这类分项通常需要通过结合相关政策、市场判断和自身数据规律进行综合估计。
A. 存在高频数据的分项
2015 年起，高频数据的预测值与实际鲜菜 CPI 较为接近，预测效果好，但价格变动处于阶段性高点时与实际鲜菜 CPI 差距较大，如 2015 年 10 月和 12 月，两者之差达到 3.5% 左右，需要在实际预测时进行相应调整。2016 年前三个月，实际鲜菜 CPI 环比分别为 7.20%、29.90% 和 -5.53%，而高频数据预测值则分别为 6.55%、28.25% 和 -5.31%。
2016 年前三个月，实际猪肉 CPI 环比分别为 1.50%、4.90% 和 -1.23%，而高频数据预测值则分别为 1.60%、3.50% 和 -0.71%，预测误差在 1.5 个百分点以内。（应注意到，在波动较剧烈月份高频数据预测准确度下降）
B. 存在高频数据但相关性弱的分项
然而并不是所有分项 CPI 预测效果能有那么好，更多的因为拥有的数据不能充分刻画居民消费变动，亦或是数据不全，大多数高频数据预测必须进行校准，计量上会用 ARIma 模型做单位根检验什么将因素进行分解。
水产品 CPI 环比预测偏差值可以看到明显季节性波动，表明部分水产品周期性价格因素未能在预测中给予充分考虑。每年春节期间，居民对于水产品的需求抬高，使得价格上升 5% 左右。由于农村居民相比城市居民需求变动更大，价格变动幅度也更大，跟踪城市大卖场、超市价格的高频数据跑输 CPI 环比变动，对此，我们需要对季节性偏差进行校准。同时我们也能看到，水产品 CPI 本身有一定周期性，在 2 月形成高峰，在 3 月快速回落，4 到 9 月有缓慢回落态势，但价格受气候、事件影响大，规律性略显不足，直接根据周期波动估计 CPI 效果并不好。
我们用 ARima 方法在原有基础上对水产品 CPI 环比预测做校准，是不是很棒？！事实上，如果把时间间隔拉长一点，会发现效果出奇的好。
C. 季节性波动较强的分项
季节性波动较强的分项，通常这类分项的环比或同比数据存在较强的季节波动规律，可以通过时间序列模型模拟的方法进行估计，波动越规律，估计准确性越高
衣着 CPI 季节性波动较为明显，具有代表性。如下图所示，衣着 CPI 环比走势通常以半年为一个周期，且下半年的波峰通常比上半年略高，近年来差距在逐渐缩小。
这类分项通常第二类预测方法，即时间序列预测的方法。由于近几年走势较为平稳，预测结果与这段时间走势应该较为接近。
D. 存在明显产业结构规律的分项
最典型的例子是猪肉价格周期性变化！即猪周期。
通常来说，猪周期的运行路线图为：猪肉价格大涨——母猪存栏量大增——生猪供应量剧增——肉价下跌——养殖户大量淘汰母猪——生猪供应量减少——肉价再次上涨……，这是一个循环的周期性过程。在我国，一个完整的猪周期包括了猪肉价格上升和下跌两个周期，跨度大概在三年左右，
有时候甚至会更长，这与宏观经济周期有些相似。这样子认识到处在周期那个阶段就能对猪肉价格有所预测啦。我国的猪周期周期跨度比较稳定，一般在三年左右；周期波幅逐步加大，由第一周期的峰谷相差 16% 到第三周期的 163%；周期重心不断上移，与生猪绝对价格不断攀升的走向一致。见下图
经济学家往往用蛛网模型来解释中国的猪周期。猪肉消费量对猪肉价格缺乏弹性，而生猪出栏量与生猪价格是富有弹性的，因此，生猪价格波动适用于发散型蛛网模型。当肉价高涨，猪农们会选择多养母猪以扩大产量，但从母猪育种到最终成猪出栏量扩大的时候，前后至少共需要 17 个月左右的时间，而在这近 1 年半的时间里，猪肉价格早已经从谷底走到了接近顶峰的水平，肉价已经开始下跌；而肉价的下跌又迫使猪农们削减母猪以减少产量，当产量下降到一定程度，将再次引起猪肉价格上涨。由于生产时滞和适应性预期的存在，养猪户的计划永远跟不上变化，于是，中国的猪周期周而复始。
E. 不存在明显规律缺乏数据的分项
经济学家们这些也都要预测！简直丧病！根据市场动态、政策信息予以判断，楼上好多人都瞧不起，呵呵，许多时候人比模型还聪明好嘛。师傅常常看成品油调价和出差航班情况就知道交通运输 CPI 了..而且很准，放个图。
交通通讯 CPI 主要由运输价格决定，而运输成本中很大一块由油价决定，从上图可知，绝大部分 CPI 环比变动都可由成品油调价进行解释，成品油调价幅度直接关系着当月 CPI 变动幅度，但难以准确量化这一影响以作预测，依然需要人为主观进行赋值。
预测效果咋样？
其他时候还好，春节那时候差太多了对不对？那是因为统计局改了权重改了统计方式又不告诉权重多少……Plus：2 月春节期间价格波动太剧烈，前述高频数据预测偏差明显放大，各个预测值之间偏差累积使得最终预测偏差接近 2%。不过呢，整体来看，食品烟酒项预测偏差小于 0.7%，对整体 CPI 环比变动预测影响小于 0.2%，对整体 CPI 同比预测影响小于 0.1%，所以其实还好啦。