你还是先把他提的几个表达的英文找出来吧

许多人可能就像你说的，都没有接触过。

error--误差u：表示独立于x但是对y有影响的随机边量

      y = β0 + β1*x + u

residual--残差u^(u hat)：衡量真实值y与预测值y^之差的量

      y^ = β0^ + β1^*x
      u^ = y - y^

随机扰动项在计量经济学模型中占据特别重要的地位，也是计量经济学模型区别于其它经济数学模型的主要特征。将影响被解释变量的因素集进行有效分解，无数非显著因素对被解释变量的影响用一个随机扰动项（stochastic disturbance term）表示，并引入模型。显然，随机扰动项具有源生性。在基于随机抽样的截面数据的经典计量经济学模型中，这个源生的随机扰动项满足Gauss假设和服从正态分布。在确定性模型中引入随机扰动，并不是为了掩盖确定性模型的不足之处。因此，如果所谓的未被解释的随机扰动并不是真正的不能被解释的因素，模型就是不适当的。牢记这一点对计量经济学是非常重要的。统计推断的理论不像确定性理论那样，会被仅仅一个不符实际的观察否定。引入随机要素后，对预期结果的描述从确切的表述转化为可能性的描述，除非有占优证据（占优本身则是很难清楚界定的），很难否定随机模型。当然，如果未被解释的随机扰动并不是真正的不能被解释的因素，即使这样的模型难以被否定，也是建模者自欺欺人。不幸的是，Greene的担忧在很多情况下成了现实：在很多计量分析中，随机误差项成了确定性模型不足之处的遮羞布。在大部分计量经济学教科书中，在第一次引入随机扰动项的概念时，都将它定义为“被解释变量观测值与它的期望值之间的离差”，并且将它与随机误差项(stochastic error term)等同。一个“源生”的随机扰动项变成了一个“衍生”的误差。而且在解释它的具体内容时，一般都在“无数非显著因素对被解释变量的影响”之外，加上诸如“变量观测值的观测误差的影响”、“模型关系的设定误差的影响”等。将“源生”的随机扰动变成“衍生”的误差，有许多理由可以为此辩解。如果不对数据生成过程的理论结构作出假定，即进行模型总体设定，就无从开始模型研究。但不幸的是，相对于物理学，经济学家对经济现实所知较少，模型总体被研究者有限的知识所确定，因此误差在所难免，只能将总体原型方程的误差项设定为衍生性的。    问题在于，关于随机扰动项的Gauss假设，以及一般未包括于Gauss假设之中的正态性假设，都是基于“源生”的随机扰动而成立的。如果存在模型设定误差、变量观测误差等确定性误差，并将它们归入“随机误差项”，那么它很难满足这些基本假设，进而进行的统计推断就缺少了基础。补救的方法是检验，对于实际应用模型的随机误差项进行是否满足基本假设的检验，其中最重要的是正态性检验。但是，在实际上，人们最容易忽视的正是最重要的是正态性检验。为什么？一方面是主观上的，认为正态性是由中心极限定理所保证的，无须检验。另一方面是客观上的，如果进行了正态性检验，而检验表明确实不满足正态性假设，又能怎么样？要么放弃研究，要么视而不见

很想知道楼主这段话的出处，还是个人总结的？

不是我放上去的呀