Проблемы и методы построения различных регрессионных моделей изучаются многими российскими и зарубежными учеными. Так, вопрос использования программы при анализе векторных моделей авторегрессии и коррекции регрессионных остатков в Eviews описал В.А.Банников [1]. Эконометрический анализ рынка подержанных автомобилей в Eviews показал А.Л.Богданов [2]. Модель предсказания курса доллара и эффективные методы прогнозирования в Excel и Eviews представил В.Г.Брюков [3]. В.М. Матюшок и др. рассмотрели основы эконометрического моделирования с использованием EVIEWS [4]. Литовченко И.С. провел анализ количества малых предприятий в 1999 – 2010 годах в Eviews [5]. Возможности для применения интеллектуального анализа исследовали Р.И.Баженов и др. [6-20]. Зарубежные ученые применяют регрессионный анализ [21,22].

Объектом исследования является рассмотрение основных возможностей работы среды Eviews на примере расчета значений описательных статистик, полей корреляции результативного и факторного признаков, эмпирической линии регрессии. Для примера были взяты данные для фирмы по производству резинометаллических изделий из полиуретана: затраты на производство (руб./мес.); заработанные деньги на реализации продукции (руб./мес.) (Табл.1).

Таблица 1 – Данные

Перенесем данные в Microsoft Excel и переименуем обозначения переменных: Месяц – N; Затраты на производство – spend; Реализация – earned (Рис. 1).

Рисунок 1 – Данные в MS Exсel

Сохраняем таблицу. 
Запускаем Eviews (Рис. 2).

Рисунок 2 – Eviews

Создаем новый рабочий файл - File→New→Workfile (Рис.3). 

Выбираем подходящий тип структуры нашего рабочего файла: unstructured or irregular-неструктурированная/без даты (Рис. 4).

В поле Observation вводим количество месяцев, в данном случае 24 и нажимаем ОК (Рис. 5).

Импортируем таблицы из Microsoft Excel в рабочий документ: Procs→Import→ReadText-Lotus-Excel (Рис. 6).

В появившемся окне в поле Upper – left data cell, вводим адрес ячейки в которой записаны данные первой переменной, в нашем случае B2, а в поле Names for series or Number if named in file, вводим количество переменных, в нашем случае 2 (Рис. 7).

В появившемся окне появились переменные (spend и earned), константа (с) и остатки (resid) (Рис. 8).

Рисунок 8 – Импортированные данные

Вычислим значения описательных статистик: Выделяем переменные (spend и earned) →правой кнопкой мыши открываем контекстное меню→Open→AsGroup (Рис. 9, 10).

Рисунок 9 – Открытие переменных как группы

Рисунок 10 – Значения переменных

Построим поле корреляции: View→Graph →в поле General выбираем Basic graph→ в поле Specific выбираем Scatter (Рис. 11, 12).

Рисунок 11 – Открытие графических настроек

Рисунок 12 – Настройка графика

Полученный график является полем корреляции результативного и факторного признаков (Рис. 13).

Для того чтобы увидеть значения описательных статистик нужно выбрать вкладку Stats (Рисунок 14).

Построим эмпирическую линию регрессии: View→Graph →в поле General выбираем Basic graph→ в поле Specific выбираем Scatter→ в поле Fit lines выбираем Regression Line (Рис.15, Рис. 16).

Полученный график является эмпирической линией регрессии (Рисунок.17).

Найдем уравнение регрессии: Proc→MakeEquation (Рисунок 18, Рисунок 19).

Рисунок 18 – Нахождение уравнения регрессии

Рисунок 19 – Данные уравнения регрессии

Из работы следует, что уравнение регрессии представляется как 
EARNED = 1,807085 * SPEND – 442,1016.
R² (коэффициент детерминации) = 0,945024
В следующем месяце мы планируем затратить 60000 рублей.
EARNED = 1,807085 * 60.000 – 442,1016
EARNED = 107982,99
Прогнозируемый приблизительный заработок в следующем месяце составляет 107983 рублей.

В процессе решения задачи были изучены основные функции для решения эконометрических задач с помощью программы Eviews. На рис. 17 видно, что полученные точки корреляционного поля расположены в форме эллипса, и его главная диагональ имеет положительный угол наклона (/), это означает, что корреляция положительная. Построена эмпирическая линия регрессии EARNED = 1,807085 * SPEND – 442,1016, она отображает зависимость между затраченными финансовыми средствами на производство продукции и заработанными деньгами на их реализации фирмы по производству резинометаллических изделий из полиуретана и спрогнозирован примерный доход в следующем месяце.

ФГБОУ ВО «Орловский государственный аграрный университет им. Н.В.Парахина»

Эконометрика — наука, в которой на базе реальных статистических данных строятся, анализируются и совершенствуются математические модели реальных экономических явлений [3].

Основные задачи эконометрики:

1. Построение эконометрических моделей, то есть представление экономических моделей в математической форме, удобной с целью проведения эмпирического анализа.

2. Анализ параметров построенной модели, делающих выбранную модель наиболее соответствующей настоящим сведениям.

3. Проверка качества найденных параметров модели и самой модели в целом.

4. Применение построенных моделей для объяснения поведения исследуемых экономических показателей, прогнозирования и предсказания, а также с целью осознанного проведения экономической политики[2].

Наиболее важной задачей является оценка и проверка экономической модели.

Моделирование – один из методов научного познания и представляет собой исследование свойств и поведения настоящего объекта с помощью изучения свойств и поведения его образа — модели. Необходимость в моделировании появляется тогда, когда прямое изучение самого объекта либо невозможно, либо затруднительно, недешево или потребует крупных расходов времени. Модель должна иметь сходные с оригиналом особенности, которые важны для данного исследования: сходство физических характеристик, сходство функций, тождество математического описания «поведения» оригинала и модели и т.п. Функции модели способна выполнять как специально созданная экспериментальная установка, так и другое наблюдаемое явление, или символическое описание оригинала: текстовое, математическое, графическое и др.

Эконометрическое моделирование широко используется в различных сферах современной жизни, как в технических, так и социально-экономических. Сочетая в себе приемы экономической теории, экономической и математической статистик, а также различные инструменты математики и информационных технологий, специалисты овладели уникальным инструментом при оценке технико–экономических процессов,  построении прогнозной и точностной характеристик всех этапов производства с целью установления и повышения качества и надежности изделий;  использовании методов экспертных оценок в случаях принятия [4].

Следует отметить, что эконометрическое моделирование основано на 6 этапах:

1)  Постановка целей и задач исследования, определение основных результативных и факторных переменных с учетом отсутствия эффекта мультиколлинеарности (переменные не должны быть высоко коррелированными между собой);

2)  Построение экономической задачи или априорный этап, в ходе которого следует проанализировать теоретически сущность исследуемого явления и выдвинуть соответствующие гипотезы и некоторые допущения [6];

3)  Моделирование (этап параметризации) предназначен для окончательного определения вида модели, формы связи. При этом следует отметить, что моделирование может быть статистическим и динамическим. Статистическое подразумевает моделирование взаимосвязи между статистически однородными данными. Например, это может быть выборка предприятий одной отрасли по размеру прибыли, объему выпускаемой продукции, уровню производительности труда или фондоотдачи т .д. Динамическое в свою очередь связывает значения результирующего признака в определенные моменты времени с соответствующими для этих периодов факторными (независимыми) переменными. Например, объем ВВП страны  или объем импорта/экспорта товаров за десятилетие может зависеть от нескольких факторов: уровня инфляции, курса доллара и т. д [5].

В ходе выполнения расчетной части  моделирования подбирают соответствующую функцию, которая может быть линейной или нелинейной. В настоящее время существует множество программных продуктов, которые облегчают выполнение трудоемких расчетов на этапе моделирования. Так, например, широко используется Microsoft Excel. Благодаря наличию соответствующего инструментария в интерфейсе программы, можно при однофакторном моделировании добавлять линию тренда с соответствующим представлением модели и коэффициента детерминации, либо проводить анализ множественной регрессии с помощью функции «Регрессия» и т.д [4].

4)  Идентификация модели, в ходе которого происходит оценка неизвестных параметром процесса.

5)  Оценка качества модели, в ходе которой проверяется успешность решения задач идентификации с помощью оценки на достоверность и адекватность. Чаще всего это происходит с помощью коэффициента детерминации, средней ошибки аппроксимации, по критерию F–Фишера и т.д.

6) Интерпретация результатов моделирования[1].

Данные этапы носят условный характер, так как они могут пересекаться, взаимно дополнять друг друга.

Таким образом, эконометрическое моделирование охватывает весь цикл решения экономической задачи – от ее постановки до содержательной интерпретации итогов статистического анализа и прогнозирования.

Практическая значимость эконометрического моделирования велика. Правильно проведенный эконометрический анализ с соблюдением всех правил и последовательностей является неотъемлемой частью прогнозирования и управления экономическими, техническими и социальными процессами как на уровне предприятий, так и на уровне субъектов РФ и страны в целом.

Сам термин «эконометрика» ввел в научный обиход норвежский ученый Р.Фриш, он утверждал: «Эконометрика есть единство трех составляющих – статистики, экономической теории и математики».

Основной задачей эконометрики можно считать количественную и качественную характеристику взаимозависимостей между реальными экономическими явлениями.

В пределах главной задачи на основе конечных практических целей также можно выделить следующие подзадачи:

• Построение эконометрических моделей для количественного представления экономических взаимосвязей;
• Исследование экономических процессов и явлений в динамике, измерение основной тенденции изменения и колеблемости эконометрических моделей;
• Прогнозирование допустимых будущих показателей экономических явлений, описывающих модель;
• Прогнозирование изменений в экономических процессах и явлениях, вследствие, изменения величины различных факторов, и выявление фактора наиболее сильно влияющего на эконометрическую модель.

Задачи решаемые эконометрикой можно сгруппировать по тому на каком уровне они решаются. Например, можно выделить макроуровень (уровень государства), мезоуровень (уровень региона или отдельной отрасли) и микроуровень (уровень семьи или организации).

Также в пределах специализации исследуемого экономического явления задачи изучаемые эконометрикой могут быть сосредоточены на проблемах рынка, инвестиций, ценообразования, социальной и финансовой политики и других.

Главным инструментом эконометрики служит эконометрическая модель. Эконометрические модели можно сгруппировать по ряду признаков. Одной из основных классификаций является группировка по направлению и глубине причинных связей между показателями, описывающими экономическую систему. В каждой экономической системе можно выделить внутренние или эндогенные переменные (выпуск продукции, численность работников, производительность труда) и внешние или экзогенные переменные (поставка ресурсов, климатические условия и др.). Исходя из этого выделяют следующие эконометрические модели:

• регрессионные модели основаны на уравнении регрессии, или системе регрессионных уравнений, связывающих величины эндогенных и экзогенных переменных. Различают уравнения (модели) парной и множественной регрессии.
• системы взаимозависимых моделей, наиболее полно описывают экономическую систему, содержащую, как правило, множество взаимосвязанных эндогенных и экзогенных переменных.
• модели временных рядов. это последовательность экономических показателей измеренных через равные промежутки времени.

Построение и исследование эконометрических моделей является сложным и трудоемким процессом. Поэтому процесс построения эконометрической модели можно разбить на несколько этапов:

1. Постановочный этап. Происходит определение конечных задач исследования и факторов влияющих на модель;
2. Спецификация модели. Выбирается форма связи между переменными;
3. Идентификация модели. Статистическое оценивание модели, оценка качества ее неизвестных параметров;
4. Верификация модели. Проверяется истинность модели, ее адекватность.

Таким образом, основной задачей эконометрики является построение эконометрической модели, оценка адекватности и качества построенной модели и найденных параметров, а также использование представленных моделей для прогнозирования и проведения экономической политики.

Анализ цепных показателей за период 2004-2014 гг. показал, что поголовье КРС в районах Орловской области то уменьшался, то увеличивался. Наибольшее увеличение поголовья КРС зафиксировано в 2007 г., когда поголовье КРС в результате увеличения на 2105 гол. (12,1%), превысил уровень предыдущего года более чем в 4 раза. Значительное уменьшение поголовья КРС произошло в 2010 г. и составило 8764 гол. (44,8%), в результате чего анализируемый показатель составил 55,2% от уровня предыдущего года. 
Анализ базисных показателей за исследуемый период показал, что в динамике поголовья КРС существует тенденция в сторону уменьшения. Наибольшее увеличение поголовья КРС произошло в 2009 г. и составило 2853 гол., в результате чего поголовье КРС превысило уровень 2004 г. на 17,1%. Наиболее значительное уменьшение произошло в 2010 г. и составило 5911 гол (35,4%), вследствие чего поголовье КРС в 2010 г. составил 64,6% от уровня 2004 г.
Рассчитанные по уровням ряда показатели динамики изменяются во времени. Они колеблются по годам, что вызывает необходимость их обобщения и расчета средних показателей динамики: среднего уровня ряда динамики, среднего абсолютного прироста, среднего темпа роста, среднего темпа прироста. Рассчитаем средние показатели динамического ряда поголовья КРС по формулам: 



За период 2004-2014 гг. в районах Орловской области ежегодное среднегодовое поголовье КРС составило в среднем 15211 гол. Поголовье КРС ежегодно уменьшалось в среднем на 509 гол., или 3,6%.
Теперь обратимся к анализу динамики валового надоя молока в Новодеревеньковском и Ливенском районах Орловской области в 2004-2014 гг. 
Анализ цепных показателей за период 2004-2014 гг. показал, что валовый надой молока в районах Орловской области то уменьшался, то увеличивался. Наибольшее увеличение валового надоя молока зафиксировано в 2005 г., когда валовый надой молока в результате увеличения на 63950 ц. (20,7%), превысил уровень предыдущего года. Значительное уменьшение валового надоя молока произошло в 2009 г. и составило 26505 ц. (6,3%), в результате чего анализируемый показатель составил 93,7% от уровня предыдущего года. 
Таблица 2 – Основные показатели динамики валового надоя молока в Новодеревеньковском, Орловском и Ливенском районах Орловской области в 2003-2014 гг.

Анализ базисных показателей за исследуемый период показал, что в динамике валового надоя молока существует тенденция в сторону то уменьшения, то увеличения, с преобладание второго. Поэтому скажем о том, что наибольшее увеличение валового надоя молока произошло в 2008 г. и составило 114803 ц., в результате чего валовый надой молока превысил уровень 2004 г. на 37,2%. 
Рассчитаем средние показатели динамического ряда по валовому надою молока в районах Орловской области.

За период 2004-2014 гг. в районах Орловской области ежегодный среднегодовой валовой надой молока составил в среднем 392356 ц. Надой молока ежегодно увеличивался в среднем на 92451 ц., или 2,7%.
Для более детального изучения динамики удоя на одну корову рассчитаем основные показатели динамики.
Анализ цепных показателей за период 2004-2014 гг. показал, что надой на 1 корову в районах Орловской области то уменьшался, то увеличивался. Наибольшее увеличение надоя на 1 корову зафиксировано в 2010 г., когда надой на 1 корову в результате увеличения на 16,6 ц/гол (81,8%), превысил уровень предыдущего года более чем в 12 раз. Значительное уменьшение надоя на 1 корову произошло в 2007 г. и составило 3,2 ц/гол. (13,5%), в результате чего анализируемый показатель составил 86,5% от уровня предыдущего года. 
Анализ базисных показателей за исследуемый период показал, что в динамике надоя на 1 корову существует тенденция в сторону увеличения. Наибольшее увеличение надоя на 1 корову произошло в 2010 г. и составило 18,5 ц/гол., в результате чего надой на 1 корову превысил уровень 2004 г. на 100,5%.

Таблица 3- Основные показатели динамики удоя молока на 1 корову в Ливенском и Новодеревеньковском районах Орловской области в 2004-2014 г.

Рассчитаем средние показатели динамического ряда по надою молока на 1 корову в районах Орловской области.




За период 2004-2014 гг. в районах Орловской области ежегодный среднегодовой надой молока на 1 корову составил в среднем 27,5 ц/гол. Надой молока ежегодно увеличивался в среднем на 1,61 ц/гол., или 6,5%.
Составим сводную таблицу по динамике КРС в Ливенском и Новодеревеньковском районах Орловской области.
Таблица 4- Основные показатели динамики продуктивности КРС в Ливенском и Новодеревеньковском районах Орловской области в 2004-2014 гг.

Годы	Поголовье КРС, гол.	Удой на 1 корову, ц.	Валовый надой, ц.
1	2	3	4
2004	16714	18,4	308266
2005	18022	20,6	372216
2006	17444	23,8	415376
2007	19549	20,6	403445
2008	19558	21,6	423069
2009	19567	20,3	396564
2010	10803	36,9	398932
2011	11377	35,2	400717
2012	11660	35,2	410581
1	2	3	4
2013	11007	35,1	386041
2014	11624	34,5	400717
	-509	1,61	92451
	96,4%	106,5%	102,7%

Анализируя данные таблицы необходимо отметить, что с 2004-2014 гг. в хозяйствах Ливенского и Новодеревеньковского районов Орловской области происходит сокращение поголовья коров на 509 коров, однако не смотря на это наблюдается увеличение как валового надоя, так и удоя на 1 корову на 2,7% и 6,5% соответственно.
Для того чтоб выявить тенденции развития ряда динамики, я сделала выравнивание ряда динамики четырьмя методами: это выравнивание ряда динамики методом укрупнения периодов, методом скользящей средней, выравнивание по среднему абсолютному приросту и среднему коэффициенту роста, аналитическим методом по уравнению прямой. Методом укрупнения периодов за 2004 – 2014 годы была выявлена тенденция увеличения надоя молока на одну корову. Методом скользящей средней была выявлена тенденция увеличения надоя молока на одну корову. Аналитическим методом по уравнению прямой была выявлена тенденция роста надоя молока на одну корову в среднем ежегодно на 60,55 кг. Методом выравнивания ряда динамики по среднему абсолютному приросту с 2004 по 2014 годы выявлена тенденция увеличения надоя молока на одну корову в среднем на 58,3 кг. ежегодно.
Таким образом, сделав прогноз на 2016, я сделала вывод, что в следующий год с вероятностью 95% можно ожидать увеличение уровня надоя молока на одну корову в 2016 году – от 29,6ц/головы до 30,1 ц/гол., а как известно, молоко и молочные продукты необходимы для питания человека во все периоды его жизни, особенно для питания детей, пожилых людей и больных. Молоко сельскохозяйственных животных – ценный пищевой продукт. Сделав статистико-экономический анализ надоя молока по отдельным районам Орловской области в целом было видно, что наблюдается положительная тенденция. 

За последние годы на территории РФ увеличилось количество иностранных заводов, производящих легковые автомобили. К их числу относятся такие автопроизводители, как «Пежо/Ситроен», «Ниссан», «Тойота», «Фольксваген» и др [1].

В 2005 году Правительство РФ отменило или снизило пошлины на 61 позицию автокомплектов, ввозимые в Россию для промышленной сборки, а также отменило таможенные сборы с определенных видов технологического оборудования для автопрома. [2]

В настоящее время автомобильный рынок переживает не самые легкие времена [3]. Спад промышленного производства по всему миру оказался очень глубоким. Этот кризис охватил все страны, в том числе и Россию: заводы сокращают свои производственные планы и уменьшают количество персонала, банки прекращают выдавать автокредиты, а страховщики сообщают об уменьшении количества автомобилей, застрахованных по “КАСКО”. Если говорить про цены на автомобили, то нужно иметь ввиду, что иностранцы-импортеры и производители автомобилей сейчас ведут смешанную политику: одни привязаны к курсу доллара или евро, другие – нет. Большинство автомобильных генеральных дистрибьюторов фиксируют свои цены в рублях на определенный период: на квартал, на полгода или на год. Но, возможно, их политика изменится в связи с более резкими колебаниями курса валюты и рубля, и они, чтобы как-то минимизировать риск, перейдут к ценам, которые будут выражаться в валюте. Поэтому, скорее всего, цены на иномарки в рублях будут повышаться. Действительно ли это так? Чтобы ответить на этот вопрос был проведен анализ и построена эконометрическая модель.

Для построения модели рассматривался набор переменных: изменение курса доллара (у) и цены легковых иномарок, которые были произведены на заводах, находящихся на территории России (х₁) в период 2008-2014 гг. (таблица 1) [4].

Таблица 1. Исходные данные

Проверка корреляции между показателями выявила значимость линейного коэффициента r_yx1 = 0,87286. Для отражения динамики показателей был построен график, а также для каждой переменной были построены тренды (рисунок 1). Рассчитанные коэффициенты корреляции по отклонениям от трендов (r_yx1 = 0,76521)
и коэффициенты t-статистики (t_{расчетное} = 1,15913 и t_{табличное} = 2,57058) доказали линейность связи между показателями. В результате построения парной линейной зависимости между показателями было получено следующее уравнение связи:

у = 0,10036х₁

Рисунок 1 – Динамика показателей х₁ и у

Для того, чтобы можно было напрямую построить модель зависимости между показателями, а также для проведения интерпретации модели, был учтен временной фактор, влияющий на оба показателя. В результате было получено уравнение связи вида:

y(x₁;t) = 0,06972х₁ – 1,08080t

В остатках не было выявлено автокорреляции, что свидетельствует о взаимосвязи показателей, а также о надежности модели. Коэффициент эластичности для данной модели составляет 1,13041, что говорит о следующем: изменение курса доллара на 1% приводит к увеличению цены автомобиля на 0,13%.

Также по вычисленным данным была построен график аппроксимации модели связи, представленный на рисунке 2.

Рисунок 2 – Аппроксимация модели связи для курса доллара и уравнения связи y(x₁;t)

Проанализировав все полученные данные можно сделать вывод о том, что зависимость между изменением курса доллара и ценой на легковой автомобиль иностранной марки, собранный на автомобильном заводе на территории РФ существует.

Также можно отметить, что в случае с автомобилями, собираемыми в России, возможны 2 сценария развития:

а) рост курса доллара. В этой ситуации выгода на стороне отечественных автопроизводителей и в меньшей степени предприятий, осуществляющих сборку иномарок в России. Большая часть затрат будет номинироваться в рублях, и в этой связи отечественные автопроизводители смогут предлагать свою продукцию по более низким ценам, чем иностранные.

б) рост курса рубля. В этом случае преимущество окажется у иностранных производителей, так как себестоимость деталей и сборочных единиц уменьшится, а следовательно уменьшится и стоимость самих автомобилей.