تاریخ ادبیات اقتصادی حاکی از آن است که برای پیشبینی متغیرهای اقتصادی از دو شیوه متمایز روش‌های ساختاری و غیرساختاری بهره گرفته شده است. در روش‌های ساختاری، سری زمانی متغیر اقتصادی را مشاهده کرده و از درون لنز تئوری‌های اقتصادی به تحلیل و پیشبینی آن می‌پردازند. اما روش‌های غیرساختاری، حداقل اتکا به تئوری‌های اقتصادی را دارند.
دوره طلایی مدل‌های پیشبینی ساختاری مربوط به دهه‌های ۱۹۵۰ و ۱۹۶۰ میلادی است که چارچوب آن بر مدل‌های ساختاری کینزی دهه‌های ۱۹۳۰ و ۱۹۴۰ میلادی بنا شده بود. پیش‌بینی‌های حاصل از مدل‌های ساختاری از نوع شرطی است یعنی این پیشبینی مشروط بر تعدادی فرض انجام می‌شود. نخستین مدلی که در این چارچوب برای پیشبینی مورد استفاده قرار گرفت سیستم معادلات همزمان بود که چارچوب تئوریک آن را کلاین و گلدبرگر (۱۹۵۵) ارایه کرده بودند.
در اواخر دهه ۱۹۷۰ میلادی، با نقد لوکاس (۱۹۷۶) بر سیستم معادلات همزمان، پیشبینی مبتنی بر مدل‌های ساختاری کینزی تضعیف شد و رو به افول نهاد. در پاسخ به انتقاد وارده بر مدل‌های ساختاری، دو واکنش پدیدار شد؛ در واکنش اول فیر (۱۹۸۴، ۱۹۹۴) و تیلور (۱۹۹۳) سعی کردند سیستم معادلات همزمان را به‌نحوی ارتقا دهند که دقت پیشبینی آن افزایش یابد. مثلا تلاش کردند فرضیه انتظارات عقلایی را مدلسازی کرده و وارد سیستم معادلات همزمان کنند. امروزه مدل‌های فیر و تیلور در برخی نهادهای اقتصادی نظیر IMF مورد استفاده قرار می‌گیرد. در واکنش دوم که تغییری افراطی محسوب می‌شد، توسعه مدل‌های غیرساختاری هدف قرار گرفت. قدمت مدل‌های غیرساختاری به قبل از مدل‌های ساختاری برمی‌گردد. این مدل‌ها با سرعت زیادی در حال توسعه هستند. مقالات فراوانی در اوایل دهه ۱۹۷۰ میلادی نشان دادند که مدل‌های آماری ساده، که هیچ فرضی در مورد ساختار اقتصاد مطرح نمی‌کنند، قادرند متغیرهای اقتصادی را حداقل به‌خوبی مدل‌های کینزی مقیاس بزرگ پیشبینی کنند (به‌عنوان نمونه نگاه کنید به نلسون (۱۹۷۲)). بنابراین اقتصاددانان انگیزه بیشتری برای به کار گرفتن مدل‌های غیرساختاری و
آماری پیدا کردند چون از یک‌سو پیش‌بینی‌ها به‌صورت غیرشرطی درآمده و از سوی دیگر انتقاد لوکاس به آنها وارد نبود.
برخلاف مدل‌های ساختاری که بیشتر توسط اقتصادسنج‌ها و اقتصادکلان‌سنج‌ها توسعه یافته بود، مدل‌های غیرساختاری بیشتر توسط ریاضیدانان، آماردانان و مهندسان در قرن بیستم بسط داده شد. نخستین مدل‌های غیرساختاری در دهه ۱۹۲۰ با مقالات اسلاتسکی (۱۹۲۷) و یول (۱۹۲۷) ارایه شد. این مقالات بیان می‌کنند که معادلات تفاضلی خطی ساده، چارچوب قوی و مناسبی برای مدلسازی و پیشبینی گستره وسیعی از متغیرهای اقتصادی و سری‌های زمانی مالی فراهم می‌کنند. چنین معادلات تفاضلی تحت عنوان فرآیندهای خودرگرسیون شناخته می‌شوند. در چنین فرآیندی مقدار دوره جاری سری زمانی به‌صورت میانگینی از وقفه‌های خود و یک شوک تصادفی نمایش داده می‌شود. یول و اسلاتسکی در مطالعات دیگر به بررسی فرآیندهای میانگین متحرک پرداختند و به این ترتیب نسل جدیدی از مدل‌های سری زمانی به نام ARMA به دایره مدل‌های غیرساختاری پیشبینی اضافه شد.
در دهه ۱۹۳۰، والد نشان داد که تحت شرایطی، بخش تصادفی یک سری زمانی می‌تواند مبتنی بر روش معادلات تفاضلی ارایه شده توسط یول و اسلاتسکی، مدلسازی شده و به بهبود دقت پیشبینی کمک کند. کالمن این تئوری را گسترش داد و فرمول‌های پیشبینی خود را در چارچوب مدل حالت-فضا که فرآیندی بازگشتی را طی می‌کند ارایه داد و این چارچوب ساخته شده با عنوان فیلتر کالمن معرفی شد. در سال ۱۹۷۰، باکس و جنکینز کتابی در مورد تحلیل سری‌های زمانی و پیشبینی آنها ارایه کردند. نظرات آنها در این کتاب سبب پیشرفت قابل‌توجهی در ادبیات پیشبینی شد. در این کتاب تمرکز بر مدل‌های تک متغیره بود اما به‌دلیل اینکه روابط بین متغیرهای اقتصادی فراگیر و پیچیده است، اقتصاددانان تحلیل سری‌های زمانی را تکمیل کرده و مدل خودرگرسیون‌برداری را برای بررسی روابط بین متغیرها و ارایه پیش‌بینی‌های دقیق‌تر معرفی کردند. مقاله کلاسیک سیمز (۱۹۸۰) به رواج گسترده مدل خودرگرسیون‌برداری انجامید و به‌عنوان جایگزینی برای سیستم معادلات همزمان معرفی شد. با گذشت زمان نسخه‌های جدید و تکمیل‌شده‌یی از مدل خودرگرسیون‌برداری نظیر خودرگرسیون‌برداری تفاضلی و خودرگرسیون‌برداری ضمیمه شده
با عامل به ادبیات اقتصادی افزوده شد.
در ادامه تلاش‌ها برای مدلسازی غیرساختاری روابط بین متغیرها و برای استفاده از اطلاعات مقیاس گسترده، مدل‌های عامل پویا توسط سارجنت و سیمز (۱۹۷۷) و گِوِک (۱۹۷۷) معرفی شد. با گذشت زمان مدل‌های عامل پویا توسط استاک و واتسون (۱۹۸۹)، کاه و سارجنت (۱۹۹۳)، فورنی و ریچلین (۱۹۹۷) و استاک و واتسون (۱۹۹۷) بسط داده شد و برای پیشبینی مورد استفاده قرار گرفت. تا پیش از دهه ۱۹۸۰، عمده ادبیات مربوط به پیشبینی غیرساختاری براساس این فرض که متغیرهای مورد استفاده باید مانا باشند، بنا شده بود. لذا قاعده بر این بود که متغیرهای اقتصادی دارای ریشه واحد ابتدا تحت تبدیلی مانا می‌شوند (عمدتا تفاضل گرفته شوند) و سپس از آنها در مدل‌های پیشبینی استفاده شود. این روش، منجر به آن می‌شد که بسیاری از اطلاعات موجود در سطح متغیرها با تفاضل‌گیری از بین می‌رفت. در یک تحول بزرگ در ادبیات، گرنجر (۱۹۸۱) و انگل و گرنجر (۱۹۸۷) ایده هم‌انباشتگی را برای شناسایی روابط بلندمدت بین متغیرها و استفاده از آن برای پیشبینی معرفی کردند. تاریخچه‌یی که تاکنون ارایه شد مربوط به پیشبینی مبتنی بر مدل‌های خطی بود. برای پیشبینی متغیرهای اقتصادی، مدل‌های غیرخطی نیز در سال‌های اخیر توجه زیادی را به خود جلب کرده است. مدل‌های غیرخطی در چند دهه اول قرن بیستم توسعه یافتند. این مدل‌ها در پاسخ به یکی از مشکلات مهم در پیشبینی، یعنی شکست‌های گاه به گاه[1] و تغییرات رژیم در سری زمانی متغیر و ماندگاری طولانی‌مدت شوک‌های گذشته به وجود آمدند. مدل TAR[2] و STAR[3] و MS[4] سه نوع معروف و پرکاربرد مدل‌های غیرخطی محسوب می‌شوند. همچنین برای کنترل اثرات شکست، مدل‌های با پارامترهای زمان متغیر نیز به ادبیات پیشبینی افزوده شده است. اخیراً موج جدیدی از مدل‌های ساختاری به نام مدل‌های DSGE[5] توسعه پیدا کرده‌اند. این مدل‌ها در واقع نسخه جدید و تکمیل یافته‌یی از سیستم معادلات همزمان هستند که معادلات آن از بهینه‌یابی رفتار آحاد اقتصادی حاصل می‌شود. مدل‌های DSGE برای بررسی اثرات تغییر در یک قاعده سیاستی بر عملکرد سایر متغیرهای کلان به‌وجود آمده‌اند. در سال‌های اخیر مطالعات زیادی به بررسی عملکرد این مدل‌ها در حوزه پیشبینی پرداخته‌اند (به‌عنوان نمونه فاست و رایت (۲۰۱۱)). باید توجه داشته باشیم که مدل‌های ساختاری نظیر DSGE عموما برای پیش‌بینی‌های بلندمدت و مدل‌های غیرساختاری سری زمانی برای پیش‌بینی‌های کوتاه‌مدت و میان‌مدت کاربرد دارند. باتوجه به آن‌چه در تاریخچه پیشبینی مطرح شد برخی مدل‌ها ماهیت ساختاری و برخی غیرساختاری دارند، برخی در کوتاه‌مدت و برخی در بلندمدت عملکرد مطلوبی دارند، برخی در مقابل شکست‌ها و تغییر رژیم استوار و برخی آسیب‌پذیرند و نکات دیگری از این دست. در واکنش به این واقعیت و برای پیشبینی دقیق تورم، نهادهای سیاست‌گذار و متخصصان پیشبینی، طیف وسیعی از مدل‌های پیشبینی را مورد استفاده قرار می‌دهند تا ریسک ناشی از خطای یک مدل خاص را کاهش دهند.
