Эконометрика  позволяет анализировать связи между различными экономическими показателями на основании реальных статистических данных с применением методов теории вероятностей и математической статистики. С помощью эконометрики выявляют новые, ранее неизвестные связи, уточняют или отвергают гипотезы о существовании определенных связей между экономическими показателями, предлагаемые экономической теорией.  Эконометрика - наука, исследующая количественные закономерности и взаимозависимости в экономике при помощи методов математической статистики. Основа этих методов - корреляционно-регрессионный анализ.

Основная задача эконометрики заключается в исследовании и количественной оценке объективно существующих взаимосвязей и зависимостей между экономическими явлениями. Наибольший интерес для исследователя представляют причинно-следственные отношения между явлениями, что позволяет выявлять факторы, оказывающие основное влияние на вариацию изучаемых явлений и процессов.

С помощью математических моделей, количественно отража­ющих связь между многими переменными, эконометрика объясня­ет причины изменения экономических явлений в прошлом и дает про­гнозы поведения их в будущем. Пр этом в анализе хозяйственной деятельности  наиболее широкое применение получили регрессионные и дискриминантные модели.

При практическом использовании ре­грессионной модели для прогнозирования уровня результативного показателя  коэффициенты уравнения множественной регрессии при соответ­ствующих факторных признаках показывают, на сколько единиц изменяется величина результативного признака с изменением факторного на единицу его измерения. Если в полученное уравнение связи подставить прогнозный уровень факторных показателей, то можно получить прогнозиру­емое значение моделируемого показателя.

Большую роль в моделировании и прогнозировании показате­лей играет адаптивный подход. В отличие от трендовых и регресси­онных моделей, в которых коэффициенты остаются неизменными на протяжении анализируемого и прогнозного периодов, адаптив­ное моделирование учитывает изменение интенсивности влияния факторов с течением времени, а это значительно повышает про­гнозные свойства моделей.

Адаптивные модели и методы прогнозирования имеют механизм автоматической настройки на изменение исследуемого показате­ля. Инструментом прогноза является модель, первоначальная оценка параметров которой производится по нескольким первым наблюдениям. На ее основе делается ретроспективный прогноз, который сравнивается с фактическими наблюдениями. Далее мо­дель корректируется в соответствии с величиной ошибки прогно­за и вновь используется для ретроспективного прогнозирования следующего уровня, вплоть до исчерпания последнего наблюде­ния. В итоге модель впитывает новую информацию, приспосаб­ливается к ней и к концу периода наблюдения отражает тенден­цию, сложившуюся на текущий момент времени. Прогноз полу­чается как экстраполяция последней тенденции, которая более полно учитывает сезонные и малые циклические колебания ди­намического ряда.

При построении регрессионных моделей динамических рядов необходимо учитывать и то, что результативный и факторный при­знаки изменяются не синхронно, а с некоторым временным лагом. Чтобы учесть это обстоятельство при прогнозировании результатов деятельности, применяют регрессионные модели с распределенным лагом, которые позволяют установит, как быстро реагирует ис­следуемый результативный показатель на изменение соответству­ющего фактора.

Дискриминантные модели получили широкое применение для оценки и прогнозирования кредитоспособности и риска банкрот­ства предприятия — это известные модели Альтмана, Лиса, Таф-флера, Тишоу и других западных экономистов.

Для их разработки требуется достаточно большая выборка дан­ных, желательно по предприятиям одной отрасли, поскольку мно­гие показатели могут быть несопоставимы из-за разной структуры капитала и скорости его оборачиваемости в различных отраслях экономики. Затем все множество объектов разбивается, как пра­вило, на три группы: к первой группе относятся финансово устой­чивые предприятия, ко второй — проблемные или обанкротившие­ся предприятия, к третьей — остальные. В качестве обучающих выборок используют первую и вторую группы предприятий. При­знаки, которые используются для распознавания подмножеств, называются дискриминантными переменными. Количество дискриминантных переменных не ограничено, но их число должно быть меньше числа объектов наблюдения. В процессе дискриминантного анализа производится пошаговый отбор переменных, обеспечивающий наилучшее различие групп. После этого рассчи-тываются коэффициенты дискриминантной функции и константы дискриминации.

Вместе с тем следует отметить, что недостатком дискриминант-ных моделей является отсутствие четких границ для отнесения предприятий к классу банкротов или небанкротов. Если предпри­ятие по модели набирает значение Z-счета, близкое или равное константе дискриминации, то его трудно классифицировать на предмет финансовой устойчивости или неустойчивости.

Изучение новейшего инструментария эконометрики показало, что более совершенными методами построения кризиспрогноз­ных моделей являются нелинейные модели бинарного выбора (логит-регрессия, пробит-регрессия и др.), которые учитывают качественное различие явлений.