Abstract
從事預測工作時，對某一經濟變數的預測，通常有許多模型可加以利用。然而在 選定某一預測機型後，由此預測模型所得到的純粹預測值(pure forecast) 除了受到外生變數、模型係數以及一些和模型本身有直接關連的資訊的影響外，還可以根據預測組合(combination of forecasts)的原理，結合其他相關的預測模型，或設法合併其他新進的高頻資訊，以求取更佳的預測結果。以往文獻上所謂的外部資訊(outside information) 是指，〞相對一個預測模型而言，可用來改善由此模型所得的純粹預測值的高頻資訊。〞本文對外部資訊給新的定義，將所有可用來改善純粹預測值的資訊統稱為外部資訊。據此，針對外部資訊不同的屬性，將廣義的外部資訊劃分為三類。第一類為適時的高頻資料，第二類為模型本身的結構中沒有被涵蓋進來的突發或非規律性事件，第三類為其化預測者所做的預測或其他預測模型的結果。本論文在理論上，對過去相關的文獻做一綜合性的回顧與探討，詳述權數法、卡萊門過澽(Kalman filtering)法及最小均方差(minimum meam square error) 法及最小均方差資訊的預測組合方法，並深入分析不同頻率的組合方式。本論文在實證分析上，以台灣出口貿易資料為研究對象，建立綜合性自我迴歸移動平均(ARIMA) 月模型。並利用行政院主計處每季發佈的季預測值為外部資訊，修正ARIMA 月模型的預測結果，改善預測精確度。實證結果有兩點值得參考：?一般而言，結合外部資訊的組合預測有較高準確度。但是外部資訊並非絕對可提高預測準確度，尚需視外部資訊的可信度而定。?對同一組資訊集合而，言上述不同的預測組合方法，理應得到相同預測結果。所以研究者可視處理的資料性質而採用最便利的方式。