KNOWECON WIKI

ARTICLE

确定性部分

确定性部分 (Deterministic Part) 确定性部分 (Deterministic Part) 是计量经济学、时间序列分析以及随机过程中的一个基本概念，指模型中被系统性解释的、不包含随机扰动的成分。在任何一个将观测数据分解为"信号+噪声"的分析框架中，确定性部分对应着由外生变量、趋势项、周期项或结构参数所决定的系统成分 (Systematic C

浏览 0 更新 2026-07-14

确定性部分 (Deterministic Part)

确定性部分 (Deterministic Part) 是计量经济学、时间序列分析以及随机过程中的一个基本概念，指模型中被系统性解释的、不包含随机扰动的成分。在任何一个将观测数据分解为"信号+噪声"的分析框架中，确定性部分对应着由外生变量、趋势项、周期项或结构参数所决定的系统成分 (Systematic Component)，而与之相对的随机部分 (Stochastic Part) 则对应不可预测的误差项或随机冲击。

一般形式

设观测变量为 YtY_t，其最一般的分解形式为：

Yt=Dt+St+εtY_t = D_t + S_t + \varepsilon_t

其中 DtD_t 为确定性部分，StS_t 为平稳的随机部分（如ARMA过程），εt\varepsilon_t 为白噪声。确定性部分 DtD_t 的核心特征是：给定参数和解释变量后，其取值可以被完全预测，不包含任何概率意义上的不确定性。典型形式包括：

  • 常数项（截距）：Dt=αD_t = \alpha
  • 确定性线性趋势：Dt=α+βtD_t = \alpha + \beta t
  • 确定性多项式趋势：Dt=α+β1t+β2t2+⋯D_t = \alpha + \beta_1 t + \beta_2 t^2 + \cdots
  • 确定性季节效应：Dt=∑k=1sγkdktD_t = \sum_{k=1}^{s} \gamma_k d_{kt}，其中 dktd_{kt} 为季节虚拟变量
  • 结构突变：Dt=α0+α11{t>τ}D_t = \alpha_0 + \alpha_1 \mathbf{1}_{\{t > \tau\}}，其中 τ\tau 为突变点

确定性趋势与随机趋势的区分

在单位根检验中，区分确定性趋势和随机趋势是建模的关键前提。考虑如下两种数据生成过程：

趋势平稳过程 (Trend-Stationary Process, TSP)：

Yt=α+βt+utY_t = \alpha + \beta t + u_t

其中 utu_t 是平稳的ARMA过程。此时 YtY_t 围绕确定性趋势 α+βt\alpha + \beta t 平稳波动，任何冲击都是暂时的——序列最终会回归到趋势线上。去势（Detrending）方法为直接回归 YtY_t 对 tt 并取残差。

差分平稳过程 (Difference-Stationary Process, DSP)：

Yt=Yt−1+εtY_t = Y_{t-1} + \varepsilon_t

此时 YtY_t 没有确定性趋势，其非平稳性完全由随机游走的累积冲击造成。任何冲击对序列水平产生永久性影响。处理方式为一阶差分 ΔYt\Delta Y_t。

将两者区分开来至关重要：错误地对差分平稳过程做去势（而非差分）会导致伪回归（Spurious Regression），反之则造成过度差分（Overdifferencing），引入不必要的移动平均成分并损失信息。Dickey-Fuller 检验和KPSS检验是区分两类过程的常用工具。

回归模型中的确定性部分

在经典线性回归模型 Y=Xβ+εY = X\beta + \varepsilon 中，确定性部分 XβX\beta 即为条件期望 E[Y∣X]\mathbb{E}[Y \mid X]，代表因变量中被解释变量系统解释的部分。配合高斯-马尔可夫定理，确定性部分的估计 Y^=Xβ^\hat{Y} = X\hat{\beta} 在满足经典假设时具有BLUE性质。

这一分解在方差分析 (ANOVA) 中对应于：

SST=SSE+SSR\text{SST} = \text{SSE} + \text{SSR}

其中回归平方和 SSR 度量确定性部分所能解释的信息量，而残差平方和 SSE 度量随机部分。决定系数 R2=SSR/SSTR^2 = \text{SSR}/\text{SST} 正是确定性部分在总变异中所占份额的度量。

确定性季节效应与周期成分

在季度或月度经济数据中，确定性部分常包含季节周期。设虚拟变量 dktd_{kt} 在第 kk 季度取值为1、其余为零，则确定性季节模型为：

Dt=α+βt+∑k=1s−1γkdktD_t = \alpha + \beta t + \sum_{k=1}^{s-1} \gamma_k d_{kt}

其中基准季度（通常取最后一季）被吸收至截距项中以避免完全多重共线性。这一设定假设季节效应在样本期内恒定不变，与随机季节模型（如SARIMA中的季节性差分）形成对照。若真实季节效应随时间变化，则确定性季节设定会导致模型误设，此时需考虑时变参数或状态空间模型中的随机季节成分。

类似地，在宏观经济学的真实经济周期理论 (RBC) 中，产出通常分解为确定性趋势（由技术进步驱动）和围绕趋势的随机波动（由生产率冲击驱动）。Hodrick-Prescott滤波 (HP滤波) 的核心思想正是从原始序列中分离出平滑的确定性趋势部分，剩余部分视为周期性随机波动。

确定性等价原理

在随机控制和宏观经济学中，确定性等价 (Certainty Equivalence) 指一类特殊性质：当目标函数为二次型且约束为线性时，面对随机变量的最优决策与将随机变量替换为其期望值后求解确定性优化问题所得决策完全一致。形式上，对于问题：

max⁡uE[f(x,u,ε)]\max_{u} \mathbb{E}[f(x, u, \varepsilon)]

若 ff 为二次函数且约束线性，则最优控制 u∗u^* 可仅凭 E[ε]\mathbb{E}[\varepsilon] 求解，随机部分的方差不影响最优策略。该性质在线性二次型调节器 (LQR) 和早期货币政策分析中占有重要地位。

确定性等价原理的经典应用可见于消费理论中的随机游走假说：在二次效用函数和线性预算约束下，最优消费路径仅取决于预期终身收入的现值（确定性部分），收入不确定性的方差不影响消费决策。然而，一旦引入预防性储蓄动机——即效用函数的三阶导数为正（如CRRA效用函数）——确定性等价便被打破：收入风险的增加会提高当期储蓄、压低消费。这一偏离对理解居民消费行为的波动和货币政策传导机制具有深远意义。

结构时间序列模型中的确定性部分

结构时间序列模型 (Structural Time Series Model, STSM) 由 Harvey (1989) 系统提出，将时间序列显式分解为四个可解释的成分：

Yt=μt+ψt+γt+εtY_t = \mu_t + \psi_t + \gamma_t + \varepsilon_t

其中 μt\mu_t 为趋势（可为确定性或随机趋势），ψt\psi_t 为周期，γt\gamma_t 为季节，εt\varepsilon_t 为不规则成分。在STSM框架中，若将趋势设定为 μt=α+βt\mu_t = \alpha + \beta t（确定性线性趋势），则该成分完全由两个参数决定；若设定为局部线性趋势 μt+1=μt+νt+ηt\mu_{t+1} = \mu_t + \nu_t + \eta_t（随机趋势），则趋势本身受随机冲击驱动，不再是纯粹的确定性部分。

STSM的灵活性在于允许研究者对每个成分分别设定为确定性或随机形式，并通过卡尔曼滤波进行估计。模型选择（如趋势应设为确定还是随机）可通过信息准则（AIC、BIC）或诊断检验进行，这在潜在产出估计和NAIRU测算等政策相关分析中尤为关键。

应用与注意事项

  1. 时间序列建模：应首先通过可视化和单位根检验判断序列是否包含确定性趋势，再选择去势或差分。
  2. 预测：确定性部分给出了预测值的基准线，预测区间的宽度则由随机部分的方差决定。
  3. 政策评估：在DID和断点回归等因果推断方法中，确定性部分通常包含处理变量、时间固定效应和个体固定效应，随机部分则捕捉不可观测的异质性冲击。
  4. 模型设定：遗漏确定性部分（如忽略时间趋势）将导致遗漏变量偏误；错误加入不必要的确定性项则降低估计效率。

确定性部分与随机部分的二分法贯穿整个计量经济学分析链条——从模型设定、估计、检验到预测和政策模拟——是构建任何经验模型时必须首先厘清的结构性判断。