一个国家的中长期教育政策，都是建立在学生数量、投资总额等方面的预测之上的。因此，科学的预测方法对于研究高等教育问题至关重要，学术界也形成了一些比较成熟的理论和方法，常用的主要有三种：

第一，学生流法。从教育的角度讲，一名学龄儿童从进入幼儿园开始，如果没有特别的变化，会依次经过小学、初中、高中三个阶段，然后按一定比例升入大学，这个过程是一个相对比较固定的流程，这就是学生流。运用学生流法进行预测是在制定教育规划、研究教育问题中运用最为广泛的一种方法。因此，只要有人口数、升学率、辍学率等方面较为全面、准确、充分的统计数据，就可以预测未来一定时期教育的相关情况。比如，叶欣茹（2005） 就通过学生流法，在分析中国18 至22 周岁人口的基础上，预测出了2000—2020 年18 至22 岁的高等教育学龄人口。^[2]但是，学生流法用于高等教育预测的并不多，大多用于对初等及中等教育学生数量的预测，如Hooker （1974）、Correa （1975）、Evanco （1976） 等分别用学生流模型预测了初等和中等教育的学生数。因此有学者指出，该方法用于初、中等教育不同年级之间的转移以及高等教育内部可能更为科学。^[3]

第二，时间序列分析法。所谓时间序列，就是各种社会、经济、自然现象的数量指标按照时间顺序排列起来的统计数据。时间序列分析法就是揭示时间序列自身的变化规律和相互联系的数学分析方法。^[4]通俗地讲，预测模型是建立在过去一定时间数据基础上的，因此一般假定过去的这种趋势会持续到未来。时间序列分析模型可以分为确定性模型和随机模型两类。而确定性模型又分为滑动平均模型、加权滑动平均模型、二次滑动平均模型、指数平滑模型和二次指数平滑模型； 随机模型可分为自回归模型、滑动平均模型和自回归滑动平均模型等。在高等教育研究领域，时间序列分析法是应用较为广泛的一种方法，国外如Thompson （1961）^[5]、Healey 和Brown （1978） ^[6]都运用时间序列分析法，分别预测了高等教育的入学人数和在校生数； 国内如谢作栩等（2000） 用这种方法对2010 年的高等教育规模和毛入学率进行了预测^[7]； 杨扬和陈敬良（2008） 采用时间序列分析方法，分别拟合了生均学杂费、生均国家财政性经费与时间的方程，对今后一段时间内中国普通高等教育成本分担的比例趋势进行了预测^[8]； 程兰芳等（2011） 根据时间序列数据构建了预测模型，对中国普通高等教育经费投入进行了短期预测，指明高等教育投入未来几年将继续保持增长较快的趋势^[9]。(www.daowen.com)

第三，回归预测分析法。回归分析实际上是根据大量的样本观测数据，研究随机变量与自变量之间相关关系的一种统计分析方法。该方法在分析自变量和因变量之间相关关系的基础上，建立变量之间的回归模型，并将通过显著性检验的回归方程作为预测模型，根据自变量的取值来预测因变量在预测期的取值趋势，因此，回归分析法是一种重要有效的预测方法。回归分析法运用十分广泛，按照自变量的数目不同，可分为一元回归分析和多元回归分析； 按照自变量和因变量之间的关系类型不同，可分为线性回归分析和非线性回归分析。近年来，国内外学者根据高等教育在发展过程中受到的经济水平、人口数量、毛入学率、教师数量等影响因素，对高等教育规模建立预测模型进行了较为广泛的探讨。比如，Weiler （1980） 以申请者、接受者、实际入学人数为自变量，建立了高校注册人数短期预测的回归模型^[10]； 李文利和闵维方（2001） 以高等教育毛入学率为因变量，以人口负担率、人均GNP、生均高等教育支出占人均GNP 的比例、公共教育支出占GNP 的比例为自变量，对中国高等教育发展规模进行了回归预测^[11]； 类似的还有易卫平（2000）、胡咏梅和薛海平（2004） 等，均对高等教育毛入学率和其他相关变量的相关性进行了回归分析。另外，还有一些学者如薛家宝（2001）、俞培果等（2002） 等，以高校在校生数为被解释变量，以不同的相关指标为解释变量，对高等教育规模进行了回归预测和分析。

另外，也有学者，如刘延松等（2007）、张小雪等（2007）、冯用军（2010）、董险峰（2010） 等和郎益夫等（2006）、刘耀彬（2007）、于文波（2009） 等，应用灰色系统GM （1，1） 模型或BP 神经网络模型等新方法对高等教育规模进行了预测。上述这些方法都在高等教育总体规模、财政投资总额等预测领域中进行了运用，并取得了一些具有参考价值的研究成果。当然，上述不同预测方法的基础理论不一样，适用范围不一致，预测的精确程度也不尽相同，需要根据不同的情况灵活选择适用。理论界较为一致的观点认为，在高等教育规模、投资等预测过程中，应当坚持系统性思考、体系性考量，力争将可能的影响因素考虑充分一些，以提高预测的准确性。