按照Wooldridge的说法，u和x都是随机变量，所以才能定义E(u|x)，进而又需要假设u与x的无关：E(u|x)=E(u)。通过平移使得E(u)=0，则有E(u|x)=0，这个就称为zero conditional mean assumption～

非常感谢~很有帮助~

今天又看了下书整理了下。。
1.李子奈那本是（核心）假设：a.x是确定性变量；b.E(u|x)=0；c.Var(u|x)=sigma square， Cov(ui,uj|xi,xj)=0
2.Hayashi那本是：a.x是随机变量；b.E(u|x)=0；c.Var(u|x)=sigma square， Cov(ui,uj|xi,xj)=0
并且指出（昨天没看到那儿。。）
‘We have presented the classical linear regression model, treating the regressors as random. This is in contrast to the treatment in most textbooks, where X is assumed to be fixed or deterministic.

If X is fixed, then
1.there is no need to distinguish between f(u|x) and f(u)
2.so E(u|x)=0 <=> E(u)=0
3.and Var(u|x)=sigma^2 <=> Var(u)=sigma^2   ;    Cov(ui,uj|xi,xj)=0 <=> Cov(ui,uj)=0'
4.and Cov(u,x)=0

4个unconditional的条件由x是确定性变量自然得到的。
而Hayashi通过（xi，yi）是iid，只能推出
E(u)=0 和 Var(u)=sigma^2，Var(u|x)有一样的函数形式，但是并不能得出Var(u|x)=sigma^2,Cov(ui,uj|xi,xj)=0和Cov(u,x)=0，这两个条件是需要另外假设的。