随机部分

随机部分 (Stochastic Component)

随机部分（stochastic component，也称误差项、扰动项）是计量经济学和统计学模型中无法被解释变量系统性解释的随机波动部分。在经典线性回归模型中，因变量 $y$ 被分解为确定性部分（deterministic component）和随机部分：$y = X\beta + \varepsilon$，其中 $\varepsilon$ 即为随机部分。随机部分的存在是统计推断区别于确定性数学的核心前提，它刻画了经济现象中固有的不可完全预测性。

随机部分的来源

随机部分产生于多重因素的叠加。第一，遗漏变量——任何经济模型都无法穷尽所有解释变量，那些未被纳入模型但影响因变量的因素汇入随机部分。第二，测量误差——无论是自变量还是因变量的观测数据总存在测量偏差，这些偏差的净效应被随机部分吸收。第三，内在随机性——人类行为本身包含不可还原的随机成分（如偏好冲击、决策噪声），卢卡斯批判之后，经济学家更加重视这种理性预期框架下的外生冲击。第四，函数设定误差——模型的线性函数形式是对真实关系的近似，近似误差自然也归于随机部分。

经典假设

高斯-马尔可夫定理对随机部分施加了若干关键假设，以确保普通最小二乘法（OLS）估计量的最优线性无偏估计（BLUE）性质：

1. 零条件均值：$\mathbb{E}(\varepsilon|X)=0$，即随机部分在给定自变量的条件下均值为零。这意味着模型被正确设定，且遗漏变量与解释变量不相关。
2. 同方差性：$\operatorname{Var}(\varepsilon|X)=\sigma^2$，即随机部分的方差在所有观测值之间恒定不变。违背该假设将导致异方差问题，估计量虽仍无偏但不再有效。
3. 无自相关：$\operatorname{Cov}(\varepsilon_i,\varepsilon_j|X)=0$ 对任意 $i \neq j$ 成立。在时间序列数据中若该假设被违反则出现自相关（序列相关），会低估标准误。
4. 正态性（非必需但用于推断）：$\varepsilon|X \sim N(0,\sigma^2 I)$，保证有限样本下 t 检验和 F 检验的精确分布。

随机部分与因果推断

随机部分的性质直接决定了因果推断的可靠性。当随机部分与解释变量相关时——即出现内生性——OLS估计将产生偏误且不一致。内生性的常见来源包括：

• 遗漏变量偏误：遗漏的混杂因素同时影响解释变量和因变量，从而进入随机部分并与之相关。
• 测量误差：自变量的经典测量误差会使随机部分与自变量产生相关性，导致衰减偏误（attenuation bias）。
• 联立性：因变量与自变量之间存在双向因果关系，随机部分的冲击可通过反馈回路影响解释变量。

处理内生性的标准策略包括工具变量法（IV）、两阶段最小二乘法（2SLS）、差分GMM与系统GMM，以及断点回归（RDD）等准实验方法。这些方法的共同思路是从随机部分中"提取"外生变异，利用仅通过自变量影响因变量的外生冲击来识别因果参数。

随机部分的拓展与前沿

现代计量经济学对随机部分的处理已远超经典框架。在面板数据模型中，随机部分被分解为个体异质性 $\alpha_i$ 与特质误差 $\varepsilon_{it}$，固定效应模型与随机效应模型的核心争议就在于如何对待 $\alpha_i$ 与解释变量的关系。在时间序列计量经济学中，随机部分可能表现为ARMA过程（自回归移动平均模型），格兰杰因果检验和协整分析都依赖于对随机部分动态结构的正确建模。在机器学习和非参数计量经济学中，研究者不再假定随机部分服从特定分布，而是通过重抽样（bootstrap）和交叉验证等方法进行稳健推断。贝叶斯计量经济学则以先验分布的形式将随机部分的参数视为随机变量，通过马尔可夫链蒙特卡罗（MCMC）方法进行后验推断。

经济含义

正确理解随机部分具有重要的经济政策含义。在政策评估中，反事实框架的核心就是推断未处理个体的潜在结果，而随机部分正是这种反事实不确定性的统计表征。随机部分的大小（即模型的拟合优度 $R^2$）反映了经济理论对现实世界的解释力——$R^2$ 越接近1，说明系统性因素越主导经济现象；反之则说明经济过程中存在大量不可还原的运气、意外和个体异质性。这一视角与弗里德曼的"工具主义"方法论相呼应——模型的价值不在于假设的真实性，而在于预测的准确性，而随机部分正是预测误差的直接体现。