外推预测法是根据过去和现在的发展趋势推断未来的一类方法的总称。因为外推预测法基于过去的行为数据，所以它是保守的。通常可以使用时间序列数据或横截面数据进行外推预测。对于横截面数据进行外推的情况，比如可以使用一些州枪支法律改变的行为反应来预测其它州的反应。当外推的结果与真实的结果不一致时，外推就不再保守了。此时，可以考虑加入判断，合并到外推的结果中。那么有哪些方法可以合并一些知识到外推的结果中呢？

（1）使用最长时间序列

如何为构建一个时间序列预测模型选择一个特定的起点或者选择横截面数据的一个特定子集，将会对预测的结果产生很大影响。通过使用最长可获取的时间序列或所有可获得的横截面数据，可以减少产生预测偏差的风险。

（2）分解因果关系

通常可能会影响时间序列的因果关系包括增长、衰减、支持、反对、回归和未知。增长就是指在不考虑历史趋势的情况下，因果关系会导到时间序列的增加。当预测的时间序列是由对立的因果因素（比如增长和衰减）生成的时候，可以将时间序列分解成为受这些因素影响的各个部分，然后分别对每部分进行外推。

（3）调整趋势

通常可以使用有关趋势的累积知识谨慎地进行外推预测。多数情况下，较为保守的做法是减少趋势的大小，这也就是常说的衰减。衰减通常会使预测更接近当前情况的估计。如果衰减的结果偏离了具有持久因果关系的长期趋势，衰减也就不再保守了。那么应该如何识别在哪些情况下调整趋势是保守的呢？

1、时间序列多变或不稳定

可变性和稳定性可以通过统计指标或判断或两者一起来评估。到目前为止大多数的研究都使用统计指标。资料显示，对多变的历史数据的趋势进行衰减会在一定程度上降低误差。

2、历史趋势与因果关系冲突

如果作用在一个时间序列上的因果关系与时间序列观察到的趋势相冲突，那么这里存在的因果关系将严重地减弱这种趋势向无变化预测的方向发展。为了识别这种因果关系，我们可以邀请一个专家组（三人以上）来做评估，并采纳大多数人的判断。专家们通常需要一分钟左右的时间来评估给定时间序列（或一组相关的序列）的因果关系。因果关系可能足够强劲，以致可以扭转长期趋势。

3、预测时间跨度比历史时间序列更长

预测的时间跨度越长，不确定性也就越强。如果在这种情况下做预测不可避免，那么考虑将趋势衰减至0作为预测时间跨度的增加或者从相似的时间序列中取趋势的平均值作为预测值。

4、短期趋势和长期趋势方向不一致

如果短期趋势和长期趋势方向不一致，那么短期的趋势应该在预测时间跨度延长时朝着长期趋势的方向进行衰减。如果因果关系没有发生重大变化，长期趋势将比短期趋势代表更多的时间序列行为的知识。

（4）调整季节因素

当预测情形不确定时，调整季节因素可能会降低准确率。另外，数据太少，对每年季节因素的估计差别太大，并且对引起季节性的原因一无所知，这些都会导致不确定性。比较保守的应对方法是减弱季节因素的影响到1.0，这是迄今为止最成功的一种方法。同时，可以考虑那些与目标时间序列类似的时间序列对应季节因素的估计值来改进对季节因素进行衰减的方法。下面为季节因素的调整方法分三种情况，具体如下：

1、跨年估计变化明显

如果季节因素的大小每年都大幅度地变化，那么这正表明了季节因素的不确定性。这些改变可能是由于重大节假日的日期改变引起的，也可能是罢工、自然灾害、不规则的市场行为比如广告或降价等等原因引起的。应对这种情况，通常减弱季节因素的估计值或使用每季节因素的平均值。

2、只有少数几年的数据是可用的

除非有充足年份的历史数据，可以这些数据出发进行有效估计之外，一般会大力地减弱季节因素或者避免使用它们。有资料显示，当使用不到三年的数据进行估计时，季节因素会降低准确率。

3、因果知识薄弱

如果没有充足的证据说明时间序列的季节性，那么季节因素的存在可能会增加预测误差。也就是说，由于因果知识薄弱，减少了季节性累计知识的因素。如果没有为季节性建立起因果关系基础，就不要使用季节性因素。

（5）选择合适的外推方法和数据进行组合预测

相似的时间序列能够为外推模型提供有用的信息。该信息和水平相关，或与横截面数据的基准率相关，或和趋势相关。比如，某人想要预测现代Genesis汽车的销量，除了依靠Genesis的销量趋势数据以外，还可以使用所有豪华汽车的数据预测趋势，通常将两种预测结合起来进行组合预测。