正文
经济现象( 体现为观测数据) 是定义于一个完备概率空间( Ω， ，P0) 的随机过程Z≡{ Zt ∶ Ω→ν，ν∈ ，t = 1，2，…} 的一个实现，概率测度P0提供了对序列Z 的随机行为的完全描述，因此被认为是真实的数据生成机制，即最一般意义上的DGP。正是由于P0未知，才产生建模、估计和推断问题，如果我们可以得到Z 的一个实现，就可能从Z 中推断P0。因此，计量经济模型建模的首要含义是从现实经济世界到概率空间的映射。由于概率空间( Ω， ，P0) 过于抽象，并不能为我们提供一个足够灵活的框架用于对随机经济现象的建模，需要将概率空间映射到更灵活的概念———概率模型。从实际角度看，我们只能得到有限序列Zn = ( Z1 '，…，Zn ') '的一个实现zn ，即样本容量为n 的抽样。生成容量为n 的样本的随机过程可由其分布完全刻画。进一步定义分布函数和密度函数的参数化形式为ΦF = { F( z; θ) ，θ∈Θ，z∈ νn } 和Φf = { f( z; θ) ，θ∈Θ，z∈ νn } ，称之为参数化概率模型，其中θ 为未知参数向量。随机过程最重要的特性是统计特性，它刻画了随机过程的本质，因而可以从偶然性中揭示出必然性。多维联合分布( 密度) 函数是随机过程统计特性最完善的描述。随机过程{Z } t的分布( 密度) 函数是既包括变量关系又包括样本点关系的高维联合分布函数，要从中得出具体可用的模型，往往需要对向量Zt( 假定v × 1 维) 进行分块Zt = ( Xt ' ，Yt ') '以及一系列的约化。例如，把对联合分布的建模约化为对条件分布建模，进而约化为对条件期望建模，这就是总体回归模型; 其中Yt是l× 1 维的被解释变量，Xt是( v － l) × 1 维的解释变量。计量经济模型就是使用经济和统计假定从联合分布( 密度) 中识别出经济定量关系( White，1994; Reis and Wolak，2007) 。
综合上述，计量经济学对客观经济世界的探索，蕴含着从“现实经济世界到概率空间的映射———概率空间到概率模型的映射———概率模型到计量经济模型的映射”这一过程。把随机因素规律化，这是计量模型区别于其他经济模型的本质特征: 一方面可以体现人类行为与经济活动内在的随机性，另一方面也是我们控制未知因素影响的重要途径。因而计量模型的设定包含随机扰动项及其概率分布的设定，它使得模型能最大限度地逼近客观经济现实。
揭示变量之间的经济关系是建立计量经济模型的主要目的，需要基于观测到的信息资料推断结果。问题在于，我们所观测到的数据，是从某个可能的假设或原因的集合中所导致的结果，也就是说，数据和假设之间缺乏一一对应的关系，由此产生的新知识( 推断结论) 是一种带有不确定性的知识。这种精确性的缺乏成为归纳推理系统化的最大障碍。20 世纪初，统计学家提出的一种有关新知识产生的方式有效地解决了这个问题，Rao( 2004) 将其总结为以下的逻辑方程:
不确定的知识+ 所含不确定性度量的知识= 有用的知识
在形成新的具有不确定性的知识时，对其存在错误的可能性进行度量是一种理性选择，由这种逻辑过程产生的知识才能够用于解释现实并指导实践。计量经济分析中，无论是参数估计还是假设检验，都是基于一个样本得到的结论，但处理方式遵循了上述逻辑方程所强调的有关不确定知识的产生方式，这种处理最终通过分布来实现。因此，计量经济模型只有包含随机性设定，才能在经济关系的检验中包含对自身置信度的有效度量，从而实现对客观经济现象随机性的有效驾驭。
( 二) 探索过程的多样性与可靠性
经济规律具有相当局限的持续不变性，或者说经济规律的不变性是有条件的，只有在一定时空条件下，经济运行规律即真实DGP 才是唯一的。然而，现代经济生活极大的复杂性，使得我们发现并建立真实模型之求往往成为奢望。从未知的真实DGP 到计量经济模型，是一个探索过程，当然也就允许研究者多方尝试，从而最后的模型设定呈现多样性。
但是，这种探索性和多样性并不意味着模型设定的随意性。只有在一定建模准则下建立的计量经济模型，才能成为对真实DGP 的一个有用的、可靠的近似。我们认为，经验研究的可信性必须依赖以下三个重要来源: 其一，扰动项的概率结构不仅体现于模型设定，而且主宰了参数估计、假设检验等经济计量分析的主要环节，其丰富的经济和统计含义应该得到重视。其二，每项实证研究都有特定的研究目的，需要通过模型设定实现对关注效应的有效识别和可靠推断; 因果关系推断作为计量经济分析的重要目标，其有效识别是经验研究的核心问题。其三，模型设定是统计推断的基础，错误的设定可以导致错误的推断; 模型统计适切性是评价模型对真实DGP 概率结构近似程度的重要标准。
三、扰动项的含义与随机性设定
对计量经济模型的不可观测成分尤其是随机扰动概率结构的研究，包括相应的估计和检验是理论计量的主要研究对象。对应用研究而言，它们是计量模型描述客观经济现象不可或缺的一部分，也是计量经济模型“计量含义”的集中体现。未能有效地驾驭随机设定对客观经济现象的描述功能，某种程度上也限制了对计量经济模型的创新性运用，计量经济学发展过程中的多次创新和重大突破就发端于如何更好地运用随机扰动项分布来描述客观经济现象。①Woodridge( 2003) 认为，对于扰动项的处理可能是任何计量分析中最重要的内容。忽视其存在，或仅作为一种摆设，计量经济模型设定就失去一个重要的可靠性来源。应用研究中却存在诸多误区，本文对此进行了梳理。
第一，将扰动项视为一种符号，忽略其重要含义。
计量经济模型的设定包含着确定性设定与随机性设定两部分。以最常见的回归模型为例，确定性设定刻画了模型中的观测变量、参数以及函数形式，随机性设定描述了扰动项的概率分布以及与解释变量的关系。一般而言，确定性设定更多体现经济意义，随机设定更多体现统计意义②，两者是相依共生的。一方面，无论确定性设定如何体现经济意义上的合理性，模型推断的可靠性仍然依赖于随机性设定的合理性; 另一方面，确定性设定部分如果不合理，也会影响随机性设定的合理性，比如遗漏重要解释变量或者函数形式错误设定，可能导致随机扰动项与解释变量相关而破坏外生性假定，或者导致扰动项呈现异方差等复杂变化，从而对随机性设定部分的可靠性造成严重影响。
而且，大多数计量经济学模型方法在研究条件分布的某一属性( 例如条件均值) 时，往往会对其他属性( 如条件方差) 做一些辅助性的限制假设，忽略扰动项，这些假设的合理性就得不到讨论与研究。例如，在研究市场有效性时，常用的混合Q 检验统计量只有在条件同方差下才服从渐近卡方分布，这一结论在条件异方差下并不成立，许多国内研究由于忽视这一点( 如波动集聚性的存在) ，导致错误推翻市场有效性( 洪永淼，2007) 。
还应指出的是，面板数据模型目前虽大量应用，但截面相关问题尚未引起重视。面板数据中截面相关是普遍存在的，其设定既有丰富的经济含义，又是统计推断结果可靠性的重要保证。以非平稳面板数据的单位根检验为例，广泛应用的LLC 检验、IPS 检验都假定ADF 回归中不同个体的扰动项相互独立，当存在截面相关时，这些统计量就不再收敛于原来的分布，产生严重的水平扭曲问题; 即使是一般的面板回归模型，截面相关也将影响估计量的有效性甚至是一致性( Pesaran，2006) 。
第二，检验过程忽略有关扰动项及DGP 的设定，主观选择符合所需要的结果。
很多统计量是基于有关扰动项及DGP 的某种设定推导出来的，如单位根检验、Granger 因果关系检验以及协整检验对于扰动项及DGP 设定有很强的依赖性。这些检验几乎是我国目前宏观经济与金融实证研究应用最广的方法，同时也是错误集中的领域。
单位根检验的DF、ADF 方法的临界值选择依赖于模型是否存在截距项与趋势项。很多研究者完全按自己研究的“需要”，随意地选择模型设定，导致模型设定过程成为一个黑箱。根据Enders( 2004) 给出的严格检验步骤，应该对截距项、趋势项的系数进行反复的检验，以确保得到数据支持的模型设定。原始的Granger 因果检验没有规定变量必须平稳但事实上隐含这一假定，很多研究都将此检验应用于非平稳时序，后续的研究已经表明，使用非平稳时间序列时，该统计量的渐近分布不再是标准分布。周建和李子奈( 2004) 的蒙特卡罗模拟显示，序列的不平稳性是造成虚假Granger 因果关系最主要的因素之一。
