本文进行经济增长质量预测时，以经济增长质量互联网指数作为高频解释变量，以经济增长质量综合指数作为低频被解释变量。所使用数据更新频率差别如图2所示。

图2　预测模型中的混频数据图形

本文低频被解释变量为年度数据，高频解释变量为季度数据，被解释变量与解释变量的更新频率相差四倍，因此，两种MIDAS模型中参数m=4，而模型的滞后阶数K值的确定将利用AIC最小值原则。

通过对模型依次输入不同的滞后阶数参数，对比不同滞后阶数时模型的AIC值，当AIC值达到最小时，此时的滞后阶数K即为最佳的滞后阶数。

MIDAS（m，K，h）-AR（p）模型与MIDAS（m，K，h）模型在预测过程，使用Almon滞后多项式，对模型参数W（L1/m；θ）数值确定。并且随着季度数据的更新，可以对被解释变量的预测结果进行校正。例如，当高频解释变量数据更新至2017年第四季度时，则可对利用第三季度数据预测的预测结果进行更新。而具体利用哪一期的数据预测则由模型中参数h决定，如令h=0，则可以利用第四季度及之前的互联网数据预测2017年当年的经济增长质量综合指数，并对利用第三季度预测的2017年结果进行更新；令向前步数h=1，可以利用第三季度及之前的互联网数据预测当年的经济增长质量综合指数，以此类推。当令h＞3时，则可对2018年经济增长质量综合指数进行预测。(www.daowen.com)

下面本文利用MIDAS（m，K，h）-AR（p）模型对2017年和2018年两年经济增长质量的综合指数进行预测。2017年及2018年经济增长质量各维度值预测结果如表4所示：

表4　2017年、2018年经济增长质量各维度预测值

由于互联网季度数据获取截至2017年第4季度，因此，当h=1，2，3时，无2018年预测数值；当h＞3时，可得到2018年预测值，同时随着向前步数的提高，2017年预测结果准确性降低，因此并未列出h＞3时的结果。从经济增长质量预测结果可以看出：利用2017年1季度互联网数据预测2017年经济增长质量为1.51；利用2017年上半年互联网数据预测2017年经济增长质量为1.59；利用2017年前三季度互联网数据预测2017年经济增长质量为1.61；利用2017年全年互联网数据预测2017年经济增长质量为1.71。从预测结果上看，随着高频解释变量数据的更新，低频被解释变量数值不断被修正提高，说明2017年年内随着时间的推进，我国经济增长质量与日俱增。从预测均值来看，2017年经济增长质量全年预报均值为1.60，2018年经济增长质量预测均值为1.73，2018年预测值高于2017年，说明我国2018年可能实现经济增长质量的进一步提升。

从各细分维度来看，对比2017年和2018年预测结果，在2018年经济结构指标可能会稳步上升；经济稳定性可能维持不变；而增长效率、生活水平、生态环境三项指标可能会有较大水平的提高。