С помощью динамических моделей учитывается не только прямой эффект воздействия налогооблагаемой базы на объем поступлений, но и косвенные эффекты, такие как реакция базы налогообложения на изменение структуры налоговой системы и др. Динамические модели рассматривают ожидаемую реакцию секторов экономики на изменение налогового законодательства. В силу этого базы налогообложения не являются фиксированной величиной при построении прогнозов налоговых поступлений и на них отражаются изменения налоговой системы. Использование динамических моделей требует большого количества достоверной информации, что для большинства стран с рыночной экономикой является неосуществимым, в том числе для современной России.

Метод «налогового калькулятора» как один из методов детерминистического подхода построения прогнозов налоговых поступлений используется тогда, когда доступна база данных с индивидуальными налоговыми отчетами налогоплательщиков. Он особенно распространен при моделировании подоходного налога и налога на прибыль. При построении налоговых калькуляторов обычно используются модель типичного налогоплательщика и модель агрегирования. Применение модели типичного налогоплательщика предполагает, во-первых, поиск типичного представителя для каждой группировочной категории; во-вторых, на основе индивидуальной налоговой декларации расчет текущих налоговых обязательств. Эта модель позволяет рассматривать влияние изменений налогового законодательства на разные категории налогоплательщиков.

С помощью модели агрегирования можно при наличии базы индивидуальных налоговых отчетов за несколько лет, значений темпов экономического роста и дефлятора прогнозировать суммарные налоговые поступления. Применение этой модели предполагает, во-первых, разбивку налогоплательщиков на несколько групп, каждой из которых присваиваются определенные веса; во-вторых, расчет налоговых обязательств для каждого отдельного налогоплательщика; в-третьих, построение прогноза налоговых поступлений на следующий период на основании значений темпов экономического роста и расчета индивидуальных налоговых обязательств по группам налогоплательщиков. Модель агрегирования используется для прогнозирования налоговых поступлений казначейством США. На основании модели агрегирования казначейство США рассчитывает также средние значения предельных налоговых ставок для определения выравнивающего действия налоговой системы.

Прогнозы временных рядов налоговых поступлений осуществляются на основании их собственной динамики с использованием метода взвешенного скользящего среднего (ВСС), метода двойного экспоненциального сглаживания, метода Хольта-Винтерса, модели авторегрессии и скользящего среднего (ARMA). Все эти методы и модели с одной переменной. Прогноз строится на основе использования только предыдущего значения переменной, в данном случае показателя налоговых поступлений. Эти простые модели с одной переменной считаются более надежными по сравнению со сложными структурными моделями. Например, модель временного ряда может использовать месячные данные о прошлых поступлениях подоходного налога и на основании прошлых закономерностей в поведении этой переменной она предскажет будущие значения поступлений из этого источника. Поэтому для использования моделей временных рядов необходимо иметь только прошлые значения самой прогнозируемой переменной. Сдвиги в динамике временных рядов, связанные с реформами в налоговом законодательстве (структуре налога) или с какими-то иными крупными изменениями, могут быть учтены в модели с помощью специального статистического приема - учета так называемой фиктивной переменной.

Суть прогнозирования переменной по прошлой ее динамике заключается в выявлении корреляции будущих значений этой переменной с ее прошлыми. Если такую корреляцию можно определить и разложить ее на составляющие, придав ей структуру, то получатся достаточно точные прогнозы. Наиболее простым методом прогнозирования считается метод ВСС. Метод двойного экспоненциального сглаживания, в соответствии со своим названием, предполагает применение экспоненциального сглаживания к изначальному ряду дважды и продление временного ряда вдоль линейного тренда. Более сложным методом прогнозирования на основе экспоненциального сглаживания считается метод Хольта-Винтерса.