非系统性部分

非系统性部分 (Unsystematic Component)

非系统性部分，在计量经济学与统计学中也称随机扰动项、误差项或不可观测成分，是指一个变量或过程中无法由模型中的系统解释变量所刻画的那部分变异。它与系统性部分相对：系统性部分捕获的是可被自变量线性（或非线性）函数所解释的规律性变化；非系统性部分则囊括了所有模型未能解释的残余——包括测量误差、遗漏变量的影响、以及本质上不可约化的随机波动。

回归分析中的定义

在经典线性回归模型 $Y_i = \beta_0 + \beta_1 X_{1i} + \cdots + \beta_k X_{ki} + \varepsilon_i$ 中，$\varepsilon_i$ 即为非系统性部分。模型的系统性部分 $\beta_0 + \sum_{j=1}^k \beta_j X_{ji}$ 给出给定自变量条件下 $Y$ 的条件期望 $\mathbb{E}[Y_i \mid \mathbf{X}_i]$；非系统性部分 $\varepsilon_i$ 则解释了个体观测值 $Y_i$ 围绕该条件期望的离散。高斯-马尔可夫定理表明，当 $\varepsilon_i$ 满足零均值、同方差且无自相关的假设时，普通最小二乘估计量在所有线性无偏估计量中具有最小方差。若这些假设遭到破坏——例如出现异方差或自相关——则非系统性部分的结构信息就有必要通过广义最小二乘法 (GLS) 或稳健标准误等手段予以处理。

方差分解

回归分析中的核心恒等式 $\mathrm{SST} = \mathrm{SSE} + \mathrm{SSR}$（总平方和 = 解释平方和 + 残差平方和）直接体现了系统性部分与非系统性部分的二分解构：解释平方和衡量系统性部分所捕获的变异大小，残差平方和衡量非系统性部分的残余变异。决定系数 $R^2 = \mathrm{SSE}/\mathrm{SST}$ 正是系统性部分占总变异比重的度量；$1-R^2$ 则为非系统性部分占总变异的份额。值得注意的是，$R^2$ 的高或低并不直接等同于模型的优劣：非系统性部分既可能源于真正的不可预测随机性，也可能暗示模型遗漏了关键解释变量——后者正是遗漏变量偏误的来源。

金融学中的对应概念

在金融经济学中，非系统性部分通常直接对应非系统性风险（亦称特质风险或可分散风险）。根据资本资产定价模型 (CAPM)，单个证券的总风险可分解为两部分：

• 系统性风险：与市场组合收益联动、由 $\beta$ 系数度量的那部分，不可通过分散化消除。
• 非系统性风险：源于公司或行业特定因素（如管理层变动、产品召回、诉讼结果）的剩余波动，可在充分分散化的投资组合中被有效消除。

在统计上，若将单只股票的超额收益 $R_{it} - R_{ft}$ 对市场超额收益 $R_{mt} - R_{ft}$ 做回归，所得残差即为该股票收益的非系统性部分。Fama-French三因子模型及其后续扩展通过引入规模因子和账面市值比因子等额外系统性成分，试图进一步将原CAPM残差中的一部分纳入可解释的系统性框架，从而缩小非系统性部分的占比。

时间序列分解

在时间序列分析中，一个序列常被分解为趋势成分、季节成分、周期成分与不规则成分之和或积。其中不规则成分即为该分解框架下的非系统性部分——它捕获了序列扣除趋势、季节性与周期性后的残余波动。ARIMA建模策略的核心思想之一便是对非系统性部分（残差序列）施加自回归与移动平均结构，将原本看似无规律的残余转化为具有简约参数形式的可建模结构。若模型设定正确，最终的白噪声残差才可被视为纯净的非系统性部分，仅包含不可预测的随机冲击。

误差项假设与诊断检验

非系统性部分 $\varepsilon_i$ 在经典回归框架中承载着严格的统计假设，这些假设构成统计推断有效性的根基。具体而言：

1. 零条件均值：$\mathbb{E}[\varepsilon_i \mid \mathbf{X}_i] = 0$，即给定自变量后误差的期望为零。该假设的违背通常意味着内生性——自变量与非系统性部分存在相关性，导致OLS估计丧失一致性。工具变量法 (IV) 恰是为此情形而设计的识别策略。
2. 同方差性：$\mathrm{Var}(\varepsilon_i \mid \mathbf{X}_i) = \sigma^2$，即误差方差为常数。若方差随自变量变化而变化（异方差），OLS估计量虽仍保持无偏性与一致性，但标准误的估计将出现偏误，导致 $t$ 检验与 $F$ 检验失效。Breusch-Pagan检验与White检验是检测异方差的两大标准工具。
3. 无自相关：$\mathrm{Cov}(\varepsilon_i, \varepsilon_j \mid \mathbf{X}) = 0$（$i \neq j$），即不同观测的误差互不相关。时间序列数据中常见其违背——相邻时期误差往往存在持续性关联，此时需借助Durbin-Watson检验诊断，并以Cochrane-Orcutt迭代法或Newey-West标准误等形式修正。
4. 正态性：$\varepsilon_i \sim \mathcal{N}(0, \sigma^2)$，该假设本身并非OLS一致性的必要条件，却是有限样本下 $t$ 检验与 $F$ 检验精确有效的前提。Jarque-Bera检验与Shapiro-Wilk检验是常用的正态性诊断手段。在大样本下，借助中心极限定理，正态性假设可适度放松。

面板数据中的误差分解

在面板数据计量经济学中，非系统性部分的建模远比截面分析精细。经典的误差成分模型将非系统性部分进一步拆分为两个正交层次：

其中 $\alpha_i$ 为个体异质性成分（不随时间变化但随个体变化），$u_{it}$ 为特异误差成分（同时随个体和时间变化）。若 $\alpha_i$ 与解释变量相关，则该成分不再是"非系统性"的——它隐含了可建模的结构信息。固定效应模型通过组内去均值变换消除 $\alpha_i$，将识别建立在 $u_{it}$ 的变异之上；随机效应模型则维持 $\alpha_i$ 与解释变量不相关的假设，利用广义最小二乘法 (GLS) 同时利用组内与组间变异。Hausman检验为二者的选择提供了统计准则：若检验拒绝零假设，则 $\alpha_i$ 与解释变量存在系统性关联，固定效应设定更为适宜。

信噪比与统计功效

非系统性部分的大小直接决定了统计推断的灵敏度。信噪比（signal-to-noise ratio）定义为系统性变异与非系统性变异的比值 $\sigma^2_{\text{signal}} / \sigma^2_{\text{noise}}$。当非系统性部分的方差远大于系统性部分时，即便真实效应客观存在，检验也极有可能无法拒绝零假设——此即统计功效不足的典型根源。Cohen's d与Cohen's f等效应量指标正是在信噪比框架下标准化地度量效应实质大小的工具。实验设计中的随机化、区组化和重复测量等技术，本质上都是通过控制或缩小非系统性部分的方差来提升信噪比。

机器学习中的对应范式

在机器学习中，系统性部分与非系统性部分的二分对应于可约误差与不可约误差的经典分解。对于平方损失下的预测问题：

其中 $\sigma^2_{\varepsilon}$ 正是非系统性部分的方差——它是数据生成过程内在的随机性，无论模型多么灵活、样本多么充足，该部分均无法被任何预测算法所消除。偏差-方差权衡所讨论的仅是系统性部分内部的建模策略选择（欠拟合对应高偏差，过拟合对应高方差），而不可约误差划定了预测精度的理论上界。这一分解也为贝叶斯最优错误率提供了频率主义视角下的对应解释。

哲学与认识论视角

将现象分解为"系统性部分 + 非系统性部分"这一范式远超出计量技术层面，它反映了经验科学的一项根本认识论策略：科学解释的本质即是将可观测变异归因于少数规律性因素（系统），并将剩余归入尚不可知或不可测的"噪声"范畴。模型的进步正是不断将非系统性部分重新划入系统性部分的过程：开普勒的行星运动三定律将此前被视为"天象误差"的轨道偏差纳入了椭圆轨道系统；行为经济学将传统模型中归入误差项的"非理性"选择模式提炼为前景理论等系统性框架。这一动态揭示，非系统性部分本质上是科学知识暂时边界的标记——其存在恰恰定义了可探索的前沿。