组合预测模型在CPI预测中的集成.docxVIP

组合预测模型在CPI预测中的集成

一、组合预测模型的理论基础与核心逻辑

（一）组合预测模型的统计学原理

组合预测模型通过整合多个单一模型的预测结果，利用方差-偏差权衡原理降低整体预测误差。根据Granger和Bates（1969）提出的组合预测理论，当单一模型之间存在互补性时，加权平均预测结果可显著提高精度。例如，线性回归模型擅长捕捉趋势成分，而ARIMA模型对周期性波动敏感，两者的组合可覆盖CPI数据中不同维度的特征。

（二）机器学习和传统计量模型的融合机制

近年来，机器学习算法（如支持向量机、随机森林）与传统计量模型（如VAR、状态空间模型）的组合成为研究热点。研究表明，随机森林在处理非线性关系时表现出色，而VAR模型能有效刻画宏观经济变量间的动态关联。中国学者张等（2021）在《经济研究》中验证，组合模型可将CPI预测误差降低12%-15%。

（三）动态权重调整的优化路径

固定权重组合模型易受经济结构变化影响，动态权重调整技术成为关键突破方向。贝叶斯模型平均（BMA）和递归滚动窗口法是主流方法。例如，欧洲央行采用BMA对CPI预测进行实时校准，在2020年疫情冲击下仍保持预测误差低于0.8个百分点。

二、CPI预测的数据特征与预处理方法

（一）CPI构成指标的异质性分析

中国CPI包含8大类262个基本分类，食品和能源价格波动具有高方差特性。国家统计局数据显示，2022年食品