计量经济学回归分析中,随机扰动项的经济意义是什么?

随机扰动项在计量经济学模型中占据特别重要的地位,也是计量经济学模型区别于其它经济数学模型的主要特征.将影响被解释变量的因素集进行有效分解,无数非显著因素对被解释变量的影响用一个随机扰动项（stochastic disturbance term）表示,并引入模型.显然,随机扰动项具有源生性.在基于随机抽样的截面数据的经典计量经济学模型中,这个源生的随机扰动项满足Gauss假设和服从正态分布.\x0d在确定性模型中引入随机扰动,并不是为了掩盖确定性模型的不足之处.因此,如果所谓的未被解释的随机扰动并不是真正的不能被解释的因素,模型就是不适当的.牢记这一点对计量经济学是非常重要的.统计推断的理论不像确定性理论那样,会被仅仅一个不符实际的观察否定.引入随机要素后,对预期结果的描述从确切的表述转化为可能性的描述,除非有占优证据（占优本身则是很难清楚界定的）,很难否定随机模型.当然,如果未被解释的随机扰动并不是真正的不能被解释的因素,即使这样的模型难以被否定,也是建模者自欺欺人.不幸的是,Greene的担忧在很多情况下成了现实：在很多计量分析中,随机误差项成了确定性模型不足之处的遮羞布.在大部分计量经济学教科书中,在第一次引入随机扰动项的概念时,都将它定义为“被解释变量观测值与它的期望值之间的离差”,并且将它与随机误差项(stochastic error term)等同.一个“源生”的随机扰动项变成了一个“衍生”的误差.而且在解释它的具体内容时,一般都在“无数非显著因素对被解释变量的影响”之外,加上诸如“变量观测值的观测误差的影响”、“模型关系的设定误差的影响”等.\x0d将“源生”的随机扰动变成“衍生”的误差,有许多理由可以为此辩解.如果不对数据生成过程的理论结构作出假定,即进行模型总体设定,就无从开始模型研究.但不幸的是,相对于物理学,经济学家对经济现实所知较少,模型总体被研究者有限的知识所确定,因此误差在所难免,只能将总体原型方程的误差项设定为衍生性的.\x0d问题在于,关于随机扰动项的Gauss假设,以及一般未包括于Gauss假设之中的正态性假设,都是基于“源生”的随机扰动而成立的.如果存在模型设定误差、变量观测误差等确定性误差,并将它们归入“随机误差项”,那么它很难满足这些基本假设,进而进行的统计推断就缺少了基础.补救的方法是检验,对于实际应用模型的随机误差项进行是否满足基本假设的检验,其中最重要的是正态性检验.但是,在实际上,人们最容易忽视的正是最重要的是正态性检验.为什么?一方面是主观上的,认为正态性是由中心极限定理所保证的,无须检验.另一方面是客观上的,如果进行了正态性检验,而检验表明确实不满足正态性假设,又能怎么样?要么放弃研究,要么视而不见.