由于CPI增速主要由食品项驱动，用高频数据估测CPI  食品项的变动，基本可以较好的把握CPI  增速的变动。但今年以来，上述方法预测的准确性有所下降，可能至少跟几个因素有关。第一，食品高频数据质量的下降。第二，春节错位因素的影响。第三，历史均值法对非食品项的预测效果下降。
        我们尝试构建月度CPI  增速的“三分法”预测方法。相较于以往方法，有以下几点可能的创新。第一，使用“食品+工业消费品+服务”三分法框架，估测方法相应调整为“高频+领先指标+历史均值”三分法。第二，根据城镇居民消费支出结构、投入产出表等数据，重新梳理权重体系。第三，纳入春节因素的影响，将春节因素分为“节前”、“节中”与“节后影响”，并量化纳入分析框架。第四，重新梳理主要食品分项的预测方法，将停止公布的统计局高频数据转为其他高频数据。第五，鉴于估测权重与实际权重不一致导致的系统性偏差，建议在从分项指标按权重合成为上一层级指标增速时，需要进行一定的调整。
        回溯检验显示，新方法预测效果有所改善。根据数据可得性，可获得2014  年10  月至2018  年11  月共计50  个样本点中。其中，预测值（四舍五入之后）与实际值完全一致的样本点有18  个，占比36%；误差为0.1、0.2  与0.3  个百分点的样本点分别有21、9、2  个，占比分别为42%、18%与4%。与市场平均预测结果相比，上述方法预测效果有所改进。其中，预测的最大误差为超过0.3  个百分点，低于市场平均预测值的0.8  个百分点；预测结果和实际值完全吻合以及误差在0.1  个百分点及以内的分布频率，较市场平均预测值均高出近12  个百分点。
        进一步的改进方向是提高食品项预测准确程度。即便本报告方法的预测准确性有一定程度提高，但一些样本点误差仍然偏大，尚有改进空间。改进的重点方向还是在食品项。虽然CPI  食品项的权重要明显低于工业消费品与服务项，但各分项对CPI  增速的拉动率同时取决于权重与增速波动两个因素，由于食品项波动幅度较大，其增速预测偏差也高于工业消费品与服务项。因此，如将各月预测误差值进行分解，可发现食品项是CPI  增速预测误差的主要来源。如能提高食品项的预测准确度，则能更进一步提高CPI  增速的预测准确性。