以表2得出的模型为基础，把年份作为时序变量代入回归模型，外推2013－2030年我国的高等教育毛入学率。
由表三、表四可以看出，4种模型的预测值差异性很小，代表集中趋势的标准误、均值指标趋同，模型得出的毛入学率年均增长率也非常接近，各模型的预测值能够互相验证，表明时间序列法获得的结果一致，预测结果较为理想。由于各模型得出的结论近似，差异小，可用平均数法处理其结果，进一步减少方法选取上的随机误差，获得时间序列法预测最具代表性的结果。
图3 4种模型高等教育毛入学率预测值均值图
从图3可知，2020年高等教育毛入学率为37.98％，到2030年我国高等教育毛入学率达50.22％，高等教育迈入普及化阶段，届时在校生3834万人。2013－2030年高等教育毛入学率年均增长1.22％。未来18年，我国高等教育规模呈稳步增长趋势。
时间序列外推模型利用高等教育毛入学率历史数据进行趋势外推，能够从历史维度纵向反映高等教育规模内部发展规律和走向，能够一定程度上探析事物的发展规律。但若使用外推模型需假定决定过去发展的因素一直存在且预测对象以渐变式发展。另一方面，时间序列预测囿于教育系统内部的发展规律，得出的结论具有保守性，难以衡量高等教育系统自身发展规律与横向社会系统的关系。以此来看，若把时间序列法得出的纵向规律与横向社会经济系统相联系进行回归拟合预测，那么所得结论将更有参考价值。故我们将时间序列法获得的结论作为参考标准，在下文进行进一步分析。
四、高等教育规模多因素分析
考虑到数据的操作性、量化等问题，我们选择人均GDP和适龄人口这两个变量。人均GDP既能反向推出经济总量，衡量一国的经济发展水平，又能在一定程度上反映一国居民的在生活、教育等方面的支付能力，直接影响学生的入学选择。较之GDP，其与高等教育规模的关系更为紧密，因此将其作为自变量引入回归模型。现阶段，我国人口出生率已多年维持在较低水平，高等教育大众化阶段的层次不断提升，高等教育在校生数不断增加，人口因素对高等教育规模的影响作用越发突出(米红等，2003)，但人口因素中存在少年儿童、中年人、老年人等不直接影响高等教育规模的因素，为提高模型适切度，我们选用高等教育适龄人口作为变量进行回归分析。
