隨機擾動項在計量經濟學模型中佔據特別重要的地位，也是計量經濟學模型區別於其它經濟數學模型的主要特徵。

將影響被解釋變數的因素集進行有效分解，無數非顯著因素對被解釋變數的影響用一個隨機擾動項（stochastic disturbance term）表示，並引入模型。顯然，隨機擾動項具有源生性。在基於隨機抽樣的截面資料的經典計量經濟學模型中，這個源生的隨機擾動項滿足Gauss假設和服從正態分佈。在確定性模型中引入隨機擾動，並不是為了掩蓋確定性模型的不足之處。因此，如果所謂的未被解釋的隨機擾動並不是真正的不能被解釋的因素，模型就是不適當的。牢記這一點對計量經濟學是非常重要的。統計推斷的理論不像確定性理論那樣，會被僅僅一個不符實際的觀察否定。引入隨機要素後，對預期結果的描述從確切的表述轉化為可能性的描述，除非有佔優證據（佔優本身則是很難清楚界定的），很難否定隨機模型。當然，如果未被解釋的隨機擾動並不是真正的不能被解釋的因素，即使這樣的模型難以被否定，也是建模者自欺欺人。不幸的是，Greene的擔憂在很多情況下成了現實：在很多計量分析中，隨機誤差項成了確定性模型不足之處的遮羞布。在大部分計量經濟學教科書中，在第一次引入隨機擾動項的概念時，都將它定義為“被解釋變數觀測值與它的期望值之間的離差”，並且將它與隨機誤差項(stochastic error term)等同。一個“源生”的隨機擾動項變成了一個“衍生”的誤差。而且在解釋它的具體內容時，一般都在“無數非顯著因素對被解釋變數的影響”之外，加上諸如“變數觀測值的觀測誤差的影響”、“模型關係的設定誤差的影響”等。將“源生”的隨機擾動變成“衍生”的誤差，有許多理由可以為此辯解。如果不對資料生成過程的理論結構作出假定，即進行模型總體設定，就無從開始模型研究。但不幸的是，相對於物理學，經濟學家對經濟現實所知較少，模型總體被研究者有限的知識所確定，因此誤差在所難免，只能將總體原型方程的誤差項設定為衍生性的。問題在於，關於隨機擾動項的Gauss假設，以及一般未包括於Gauss假設之中的正態性假設，都是基於“源生”的隨機擾動而成立的。如果存在模型設定誤差、變數觀測誤差等確定性誤差，並將它們歸入“隨機誤差項”，那麼它很難滿足這些基本假設，進而進行的統計推斷就缺少了基礎。補救的方法是檢驗，對於實際應用模型的隨機誤差項進行是否滿足基本假設的檢驗，其中最重要的是正態性檢驗。但是，在實際上，人們最容易忽視的正是最重要的是正態性檢驗。為什麼？一方面是主觀上的，認為正態性是由中心極限定理所保證的，無須檢驗。另一方面是客觀上的，如果進行了正態性檢驗，而檢驗表明確實不滿足正態性假設，又能怎麼樣？要麼放棄研究，要麼視而不見。