传统时间序列模型框架下的宏观经济预测模型中的估计和预测通常要求纳入分析的经济变量处于同一时间频率,这使得在时间维度上处于高频的变量往往难以被纳入分析框架,在给实际分析带来难度的同时也使得仅仅依赖低频数据进行的分析和预测损失相应的信息。因此,如何处理混频数据,进而把处于不同时间频率上的经济变量统一纳入分析框架是许多预测模型的现实要求,同时也是近年来时间序列分析领域一个主要关注的研究方向。加权转换是目前混频数据分析领域研究中的一种主要方法,现有的研究所提供的系数(包括权重系数和模型变量系数)估计方法主要还是以极大似然估计和类极大似然估计为主。然而,这类估计方法因为通常需要得到待估计系数的联合分布(似然函数)而不够灵活。此外,经济运行的不稳定性也对经济运行中潜在的随机波动的估计提出了要求,这使得极大似然估计和类极大似然估计面临着过度参数化的问题。而贝叶斯计量分析是针对这类问题的有效分析框架,因此本文将在贝叶斯计量分析的框架下建立一个将高频数据和低频数据同时纳入分析框架同时考虑经济运行潜在随机波动的混频数据预测模型,并在这一框架下给出相应的估计方法。本文的整体研究框架如下:首先介绍混频数据分析和贝叶斯计量的研究历史和发展现状,说明文章研究的理论基础、研究意义和基本的研究思路。然后分两部分进行研究:首先建立混频数据分析的模型,在简单加权条件下引入关于扰动项的随机游走形式的随机波动,通过在Gibbs抽样中嵌入Accpetance-Rejection方法设计相应的抽样估计方法;在这一部分的基础上进一步将模型的随机波动进行拓展并考虑如何在模型中同时对权重系数和随机波动项进行估计,在Gibbs抽样中嵌入Metropolis-Hastings抽样,设计相应的MCMC抽样方法,并通过仿真实验验证模型估计的有效性。在实证部分,本文先利用建立的混频预测模型对样本量较大的美国经济增长数据(GDP增长率)进行预测;再结合中国数据,利用该模型对中国的经济增长预测,并将预测结果与传统的AR模型进行比较。