大多數國家的中央銀行均以「穩定物價，控制通貨膨脹」視為貨幣政策的主要目標，因此本研究以 Stock and Watson (1999) 為基本架構，運用2000年1月至2015年12月台灣失業率與其他經濟指標之 Phillips 曲線模型，以遞迴迴歸 (recursive regression) 的方式進行模擬樣本外預測1個月與12個月核心消費者物價指數通貨膨脹率及消費者物價指數通貨膨脹率，及檢驗模型結構穩定性，並利用組合預測方式，進行模型預測績效比較。 其實證結果顯示：核心消費者物價指數年增率模型的預測績效優於消費者物價指數模型的預測績效，而比較失業率及其他經濟指標之 Phillips 曲線各個單一模型，在模擬樣本外預測1個月核心消費者物價指數年增率之預測績效，為營造工程物價指數 (cci) 表現最好，再者發現預測12個月核心消費者物價指數之 Rel. RMSFE 比預測1個月核心消費者物價指數之 Rel. RMSFE 來的小，另外Diebold-Mariano 檢定對於核心消費者物價指數 (cpix) 和消費者物價指數 (cpix) 做為通貨膨脹率之組合預測模型樣本外預測1個月通貨膨脹率之預測績效皆沒有改善效果，反而是部分組合預測模型在樣本外預測12個月通貨膨脹率之預測績效具有改善效果，皆顯示長期預測12個月比短期預測1個月之各個經濟變數的組合預測模型預測績效有明顯的改善，可能係在檢定預測12個月核心消費者物價指數 (cpix) 之 Phillips 曲線模型具有結構性改變影響所致。

我國自民國68年成立外匯市場以來，積極的推動經濟國際化與自由化，由於台灣對外經貿依存度相當的高，國際貿易是我國經濟發展的趨動力，而匯率扮演著經貿活動關鍵的角色，因而對匯率走勢的預測與掌握，乃成為管理外匯風險的首要工作。 　　影響匯率的因素相當的複雜，其常受到政府政策的干預，再者，匯率未來的走勢往往容易受到預期心理的影響，眾多的影響因素往往使得對匯率預測的困難程度提高。有鑑於此，本文試圖從貨幣學派結構模型著手--包括價格充分調整模型與實質利率差模型，討論貨幣學派結構模型與匯率資料是否配適良好，然而，若未考慮變數的恆定性與否，而進行迴歸分析，將會造成「假性迴歸」的錯誤。於是本文再引進Johansen共積法，擬找出變數間的長期關係，導入錯誤校正模型，以對匯率進行預測的工作。最後，藉由Hamilton所發展的馬可夫轉轍模型，將不可觀察的隨機變數融入模型中，透過機率控制狀態變數的變動，再對匯率進行統計的推估與預測。 　　基於本文採用的資料與樣本期間內，本文作成下列結論： 　　1.貨幣學派結構模型的實證表現不佳，實證的係數符號與理論設定的相差甚多，而其樣本外預測表現也遠不如隨機遊走模型。 　　2.導入共積關係的錯誤校正模型，其樣本外預測表現仍舊不及隨機遊走模型，然而相較於結構模型，其有明顯的改善。 　　3.馬可夫轉轍模型的樣本外預測表現，與隨機遊走模型接近，而對匯率變動方向的預測其表現良好。 　　4.將所有模型一併考慮，則樣本外預測表現以馬可夫轉轍模型最佳，錯誤校正模型次之，而以結構模型為最差。

本篇論文擴充Ang et al. (2007)之基本架構,分別建構台灣各式月資料與季資料的物價指數預測模型,並進行預測以及實證分析。我們用以衡量通貨膨脹率的指標為 CPI 年增率與核心CPI 年增率。我們比較貨幣模型、成本加成模型、6 種不同設定的菲力浦曲線模型、3 種期限結構模型、隨機漫步模型、 AO 模型、ARIMA 模型、VAR 模型、主計處(DGBAS)、中經院(CIER) 及台經院(TIER) 之預測。藉由此研究,我們可以完整評估出文獻上常用之各式月資料及季資料預測模型的優劣。 我們實證結果顯示,在月資料預測模型樣本外預測績效表現方面, ARIMA 模 型對 2 種通貨膨脹率指標的樣本外預測能力表現最好。至於季資料預測模型樣本外預測績效表現, ARIMA 模型對未來核心 CPI 年增率的樣本外預測能力表現最好; 然而,對於 CPI 年增率為預測目標的預測模型則不存在最佳的模型。此外,實證分析中我們也發現本研究所建構的模型預測表現仍遜於主計處的預測,但部份模型的樣本外預測能力表現則比中經院與台經院的預測為佳。 / This paper compares the forecasting performance of inflation in Taiwan. We conduct various inflation forecasting methods (models) for two inflation measures(CPI growth rate and core-CPI growth rate) by using monthly and quarterly data. Besides the models of Ang et al. (2007), we also consider some macroeconomic models for comparison. We compare some Monetary models, Mark-up models, six variants of Phillips curve models, three variants of term structure models, a Random walk model, an AO model, an ARIMA model, and a VAR model. We also compare the forecast ability of these model with three different survey forecasts (the DGBAS, CIER, and TIER surveys). We summarized our findings as follows. The best monthly forecasting model for both inflation measures is ARIMA model. For quarterly core-CPI inflation, ARIMA model is also the best model; however, when comparing the quarterly forecasts for CPI inflation, there does not exist the best one. Besides, we also found that the DGBAS survey outperforms all of our forecasting methods/models, but some of our forecasting models are better than the CIER and TIER surveys in terms of MAE.