通货膨胀形成机制更加复杂、影响通货膨胀的因素也更加多元,如何把握经济形势和传导机制对我国通货膨胀做出准确、高效的预测是目前政府面临的一个难题。现有关于通货膨胀预测研究大都基于同频数据,遇到观测频率不同的数据要提前进行同频处理才能纳入模型进行估计预测,此种做法影响模型的预测精度且实证结果缺乏说服力。而函数型数据分析方法作为一种新兴的非参数统计方法可以解决传统模型难以处理的变量间时间间隔不一致和数据缺失时模型估计问题,可用于更宽松的假设且不受参数限制,其适用性强、计算简捷,方便我们将高频金融数据变量引入模型做通胀预测,在更有效的利用现有信息前提下兼顾衍生信息的使用,通货膨胀的预测精度有望在此方法指导下得到进一步提升。本文从函数型数据分析方法展开,研究中国通货膨胀的动态变化行为和预测问题,运用函数型回归分析方法在变量数据为日、月、季度混频数据的情况下构建函数型线性回归模型对中国31个省的分省CPI分别进行预测。随后,对经过基函数法平滑化处理的分省CPI曲线求出一阶和二阶导函数,分别作为速度和加速度因子引入原模型,构建含动态因子的函数型线性回归模型做比较预测。为验证模型的有效性,运用均方根误差、平均百分比误差等指标将函数型线性回归模型最终的预测结果与含动态因子的函数型线性回归模型、函数型时间序列模型以及传统的时间序列ARIMA模型的预测结果进行对比分析。研究结果表明,本文构建的函数型线性回归预测模型能对通货膨胀进行准确度较高的预测,其预测效果优于含动态因子的函数型线性回归模型、函数型时间序列模型以及ARIMA模型;此外,函数型时间序列模型的预测效果优于传统的时间序列ARIMA模型,证实了函数型数据方法对传统时间序列模型在预测精度方面存在一定程度的提升和改善。但是,含动态因子的函数型线性回归模型预测误差较大,衍生信息的引入没能达到提高预测准度的预期,模型仍需后续研究进一步改进。