一些簡單的凸分析及其应用
时隔两年多,恢复更新了。这是一些簡單的凸分析的续篇。
目前只是草稿,会有很多错误。
Don’t follow my arguments for now, it’s just a draft of a draft.
在这篇中,我们想用一套统一的凸分析工具,把高微(一)中消费者理论和厂商理论里常见的对象——支出函数、间接效用函数、成本函数、利润函数——的性质“打包”推一遍,尽量不靠背诵,而是从共轭与支撑函数定理出发统一推出。
更具体一点,我们的目标是:
- 从 concave / convex 指标函数(indicator functions)出发,引入 concave conjugate;
- 把支出函数、成本函数、利润函数都写成某个指标函数的共轭;
- 说明 Support Function Theorem、Conjugate Duality Theorem(Young–Fenchel)如何一锅端地产生 Shephard lemma、Hotelling lemma、Slutsky 矩阵等结论。
(间接效用函数稍微麻烦一些,这篇先主要讲支出 / 成本 / 利润。)
几个基本定义:指标函数与凹共轭
凹指标函数与凸指标函数
令 A⊂Rm 是一个凸集合。
凹指标函数(concave indicator)定义为
IA(x)={0,−∞,x∈A,x∈/A.
也就是说,IA 在集合内部“不给惩罚”(取 0),在集合外部施加无穷大的负惩罚(−∞),使得任何 maximization / minimization 问题在有效域之外都变得劣得无法被选择。
对应的凸指标函数(convex indicator)定义为
δA(x)=−IA(x)={0,+∞,x∈A,x∈/A.
注意这里的 IA 与测度论中的 0/1 指示函数是不同的记号;我们在这个笔记中始终用上面的 extended real–valued 版本。
这一对定义基本上跟 Boyd / Border 的凸分析讲义完全一致。对凸集合 A,IA 是凹函数、δA 是凸函数。
凹共轭(concave conjugate)
在本文中,我们主要在“凹函数的世界”里工作。给定一个凹函数 f:E→R⋆(取值允许 ±∞),其凹共轭(concave conjugate)定义为
f⋆(p):=x∈Einf{p⋅x−f(x)}.
这是 Boyd / Border 的凹共轭约定:注意这里是“inf”,而不是更常见的“sup”(那对应的是凸共轭)。两者通过 f↔−f 的转换可以互相翻译。全文约定:f⋆ 一律指凹共轭(取 inf),凸共轭沿用 Fenchel 共轭的通行写法 f∗(p)=supx{p⋅x−f(x)}(Border, Ec 181, Definition 16.1.1)。
若 f=IA 是凹指标函数,则
因此对任何给定的 p,
IA⋆(p)=x∈Einf{p⋅x−IA(x)}=x∈Ainfp⋅x.
我们把
f(p):=IA⋆(p)=x∈Ainfp⋅x
称为集合 A 的(凹)支撑函数(support function)。这是“由集合得到一个凹函数”的一个非常统一的方式。
经济学上你可以这样理解:
- A 可以是某个上等偏好集(upper contour set),例如 U(uˉ)={x:u(x)≥uˉ};
- 也可以是某个上等产集(input requirement set)Z(q)={z:f(z)≥q};
- 在这两种情况下,infx∈Ap⋅x 就分别对应于“支出函数”和“成本函数”。
这一点下一节会更精确地写出来。
支出 / 成本 / 利润作为指标函数的共轭
这一节先把几个经典对象统一写成共轭形式。
支出函数 e(p,u)
令偏好可由一个连续、准凹的效用函数 u:X→R 表示。给定目标效用水平 uˉ,定义上等偏好集
U(uˉ):={x∈X:u(x)≥uˉ}.
考虑支出最小化问题
e(p,uˉ):=x∈Xinf{p⋅x:x∈U(uˉ)}=x∈U(uˉ)infp⋅x.
这正好就是凹指标函数 IU(uˉ) 的凹共轭:
IU(uˉ)⋆(p)=x∈U(uˉ)infp⋅x=e(p,uˉ).
也就是说,支出函数是上等偏好集的支撑函数。这一点在 Boyd 的 Example 7.4.2 里明确写出。
成本函数 c(w,q)
令 f:R+m→R+ 为一个连续、凹的生产函数。给定目标产量 q,定义上等产集
Z(q):={z∈R+m:f(z)≥q}.
成本函数定义为
c(w,q):=z∈R+minf{w⋅z:z∈Z(q)}=z∈Z(q)infw⋅z.
同样地,这是 Z(q) 的凹指标函数的凹共轭:
IZ(q)⋆(w)=z∈Z(q)infw⋅z=c(w,q).
所以成本函数也是一个支撑函数。Boyd 在 Example 7.4.2 中也把成本函数解释为 IZ(q)⋆(w)。
利润函数 π(p)
产业这边更方便的写法是用“净产出向量”。令 Y⊂Rm 是 production set(正坐标是产出,负坐标是投入)。给定价格向量 p∈Rm,利润函数为
π(p):=y∈Ysupp⋅y.
令 δY=−IY 是 Y 的凸指标函数,则它的凸共轭为
δY∗(p)=y∈Ysup{p⋅y−δY(y)}=y∈Ysupp⋅y=π(p).
换句话说,利润函数是 convex indicator 的 convex conjugate。Boyd 在 Example 7.4.2 中给出了这点,并指出这意味着利润函数是一个凸函数。
到这里为止,我们已经把三大“值函数”写成了统一的形式:
- 支出函数:e(p,uˉ)=IU(uˉ)⋆(p);
- 成本函数:c(w,q)=IZ(q)⋆(w);
- 利润函数:π(p)=(−IY)∗(p)。
下面两节我们先不给经济解释,先纯粹在凸分析层面陈述两个主角:
- Conjugate Duality Theorem;
- Support Function Theorem。
Conjugate Duality Theorem(Young–Fenchel)
这一节给出凹共轭版本的 Conjugate Duality Theorem,用的是 Boyd 的刻画。
Young–Fenchel 不等式与等式
给定适当、凹、上半连续的函数 f:E→R⋆,其凹共轭为
f⋆(p)=yinf{p⋅y−f(y)}.
由定义立刻有:对任意 x,p,
f⋆(p)≤p⋅x−f(x)⇒f(x)+f⋆(p)≤p⋅x.
这就是Young–Fenchel 不等式。等号何时成立?
一方面,若 p∈∂⋆f(x),即 p 是在 x 处的 supergradient,则 supergradient 不等式
f(y)≤f(x)+p⋅(y−x)∀y
等价于
p⋅x−f(x)≤p⋅y−f(y)∀y,
于是
f⋆(p)=yinf{p⋅y−f(y)}=p⋅x−f(x),
所以
f(x)+f⋆(p)=p⋅x.
反之,若 f(x)+f⋆(p)=p⋅x,再代回去可以验证 supergradient 不等式成立,从而 p∈∂⋆f(x)。这就是 Boyd 所谓的 Young–Fenchel Equality。
Conjugate Duality Theorem
定理(Conjugate Duality Theorem,凹版本)
令 f:E→R⋆ 为适当、凹、上半连续函数。以下六个条件等价:
- x 使 p⋅y−f(y) 在 y∈E 上取得最小:
x∈argymin{p⋅y−f(y)}.
- p∈∂⋆f(x),即 p 是 f 在 x 的 supergradient。
- Young–Fenchel Equality 在 (x,p) 处成立:
f(x)+f⋆(p)=p⋅x.
- 对 f⋆⋆ 也成立:
f⋆⋆(x)+f⋆(p)=p⋅x.
- x∈∂⋆f⋆(p),即 x 是 f⋆ 在 p 的 supergradient。
- p 使 q⋅x−f⋆(q) 在 q 上取得最小:
p∈argqmin{q⋅x−f⋆(q)}.
证明思路完全是 Boyd 讲义里的那套:利用 Young–Fenchel Equality 对 f 与 f⋆ 各用一次,再用 f⋆⋆=f(凹、上半连续保证)把 (3) 与 (4) 链接起来,即可得到 (1)–(6) 的相互等价。
在后面的 Support Function Theorem 里,第 (3) 条“x(p)=∂⋆f(p)”以及第 (6) 条关于 Hessian 的结论,都要用到这个定理。
Support Function Theorem
现在回到最开始的设定。
令 A⊂Rm 为凸集合,IA 为其凹指标函数,支撑函数
f(p):=IA⋆(p)=x∈Ainfp⋅x.
定义对应的解 correspondence
x(p):={x∈A:p⋅x=f(p)},
即 minx∈Ap⋅x 的解集(如果存在最小值的话)。
Support Function Theorem(凹版本)
在上述设定下:
- f(p) 是凹的、上半连续、对 p 齐次一阶(homogeneous of degree one)。此外,f 在 int(domf) 上连续。
- 在典型的经济学情景中(A⊂R+m 且满足单调性),f 在 R+m 上对每个价格坐标 pk 单调非减——这反映了“价格上升不会降低最小支出 / 成本”。
- 若 A 闭且凸,则
f⋆(x)=IA(x),
换言之 IA⋆⋆=IA;因此A={x:f⋆(x)=0}={x:p⋅x≥f(p) ∀p},
即 A 可以被看成是所有“支撑超平面”p⋅x≥f(p) 的交。
- 若 A 凸,则最小化问题的解满足
x(p)=∂⋆f(p),
即 x(p) 是 f 在 p 的 supergradient 集。若最小解唯一,则 f 在 p 的方向导数存在,且Df(p;v)=x(p)⋅v.
- 若 xi∈x(pi) 对 i=0,1,则
(x1−x0)⋅(p1−p0)≤0.
这是 supergradient 单调性的一个直接 corollary,也可以被解释为 Hicksian demand / 条件要素需求满足“(广义)需求定律”。
- x(p) 对 p 齐次 0 阶:即对任意 t>0,
x(tp)=x(p).
经济上,这意味着成本最小化需求 / Hicksian demand 只取决于相对价格,不取决于价格的绝对水平。
- 若 A 凸且 f∈C2,则 x(p) 可微,Jacobian
Dx(p)=D2f(p)
是对称、半负定矩阵,且D2f(p)p=0.
这最后一个等式是因为 f 对 p 是齐次一阶,套用 Euler 定理即可。对支出函数而言,Dp2e 就是 Slutsky substitution matrix(补偿需求的 Hessian),因此自然是对称、半负定,且与齐次性一起给出标准的 Slutsky 条件。
这些性质在 Boyd 的 Support Function Theorem(Ch.7.5.5)中给出,并在后续的 Cost Theorem 中具体应用于成本函数。
Attaching names:把支出 / 成本 / 利润函数贴到支撑函数定理上
现在回到经济学对象,用上一节的 Support Function Theorem 一条一条“贴标签”。
1. 支出函数 e(p,u) 的性质
回忆:
e(p,u)=IU(u)⋆(p),U(u)={x:u(x)≥u}.
假设偏好由连续、局部非饱和、严格准凹的效用函数 u 表示,则 U(u) 是闭、凸且非空的。
令 A=U(u),f(p)=e(p,u),套用 Support Function Theorem:
-
对价格的凹性与齐次性
- 对每个固定的 u,e(p,u) 对 p 凹、上半连续,并且对 p 齐次一阶。
- 在 p≫0 的区域内 e(p,u) 连续。
这与 Varian 在 Ch.7 中列出的“Properties of the expenditure function”完全一致。
-
对价格的单调性
在标准设定下,消费集合在 R+n 中且偏好单调,U(u) 在商品坐标上向上闭合,此时 Support Function Theorem 的 “weakly increasing in p” 就意味着:
对每个坐标 k,e(p,u) 对 pk 单调非减。
Varian 在 Ch.7 也把这一条作为支出函数性质之一。
-
对效用的单调性
这条虽然不直接来自支撑函数定理,但由上等偏好集的嵌套性立即推出:若 u2>u1,则 U(u2)⊂U(u1),于是
e(p,u2)=x∈U(u2)infp⋅x≥x∈U(u1)infp⋅x=e(p,u1),
且在局部非饱和偏好下这不等式是严格的。
-
Hicksian demand 与 Shephard lemma
令 Hicksian demand(支出最小化需求)为
h(p,u)∈argx∈U(u)minp⋅x.
Support Function Theorem (3) 给出
h(p,u)⊂∂p⋆e(p,u),
若最优解唯一且 e 可微,则
∂pk∂e(p,u)=hk(p,u).
这就是 Shephard lemma 在消费者理论中的版本,与 Varian Ch.7 的陈述相同。
-
Slutsky 矩阵(补偿需求版本)
若 e(p,u) 在 p 上二阶可微,则 Support Function Theorem (6) 给出 Hessian Dp2e(p,u) 对称、负半定,并且乘以 p 为零向量。这个 Hessian 正是 Hicksian demand 的替代效应矩阵(纯替代效应),是 Slutsky 矩阵的“补偿版”,在 Varian 与更高阶教材中是标准结论。
综上,支出函数的所有经典性质(凹性、HD1、单调性、Shephard lemma、Slutsky 矩阵)都可以直接看作是 Support Function Theorem 的 corollaries。
2. 成本函数 c(w,q) 的性质
回忆:
c(w,q)=IZ(q)⋆(w),Z(q)={z≥0:f(z)≥q}.
假设生产函数 f 连续、凹且满足适当的单调性(投入越多不减产),则 Z(q) 闭、凸且在 R+m 中向上闭合。
令 A=Z(q),f(w)=c(w,q),Support Function Theorem 直接给出 Cost Theorem 的大部分内容:
-
对要素价格的凹性与齐次性
对每个 q,c(w,q) 对 w 凹、上半连续、HD1,并在其定义域内部连续。
-
对要素价格与产量的单调性
由于 Z(q) 向上闭合,w 增大不会降低最小成本;q 增大使得 Z(q) 收缩,也不会降低成本。Boyd 在 Cost Theorem 中明确给出 c(w,q) 对 w,q 都是弱增加的。
-
Shephard lemma(厂商版本)
条件要素需求
z(w,q)∈argz∈Z(q)minw⋅z
满足
z(w,q)⊂∂w⋆c(w,q),
若解唯一且可微,则
∂wk∂c(w,q)=zk(w,q).
这是 Varian Ch.5 中 Shephard lemma 的标准形式。
-
“要素需求定律”与 Hessian
Support Function Theorem (4) 给出:若 zi∈z(wi,q),则
(z1−z0)⋅(w1−w0)≤0,
即价格向量与要素需求向量的变化“反向”;这是条件要素需求的“定律”。若 c 在 w 上二阶可微,则 Hessian Dw2c 对称、负半定,给出对称、负半定的“要素替代矩阵”。
3. 利润函数 π(p) 的性质
利润函数写法:
π(p)=y∈Ysupp⋅y=(−IY)∗(p),
这里 −IY 是 convex indicator,π 是它的凸共轭。
利用一般的 convex conjugate 性质(这一次是“凸世界”而不是“凹世界”):
- π(p) 对 p 是凸函数,下半连续。
- 只要技术集合 Y 不随价格 p 改变,π 对价格 p 正齐次一阶:对任意 α≥0,π(αp)=απ(p)。这不需要 Y 本身是锥;若 Y 是锥,反而常会使利润函数只在某些价格下有限。
- 在“净产出”写法下,如果某些坐标对应投入(net output 为负),则 π 对这些坐标是单调非增,对产出价格坐标单调非减。
- 若能解出利润最大化最优净产出 y(p),且解唯一、π 可微,则
∂pk∂π(p)=yk(p),
这就是 Hotelling lemma。
在教科书中(例如 Varian Ch.5 与 Ch.7),这些性质通常是一一证明的;在 Boyd / Border 的框架下,它们都是 convex conjugate 基础性质的 corollaries。
Recoverability:从支撑函数(值函数)恢复集合
Support Function Theorem (2) 给了一个非常重要的“可恢复性”结论:
- 若 A 闭且凸,则
f(p)=IA⋆(p)⇒f⋆(x)=IA(x),
从而A={x:f⋆(x)=0}={x:p⋅x≥f(p) ∀p}.
对应到经济学:
- 对消费者:给定支出函数 e(p,u),可以通过 e(⋅,u) 的共轭恢复上等偏好集 U(u)。这与 Varian 在 Ch.8 用支出函数解决 integrability 问题的思路是一致的(先从 demand 得到支出,再从支出恢复效用)。
- 对厂商:给定成本函数 c(w,q),可以通过共轭恢复上等产集 Z(q),从而恢复生产技术的信息。
因此,支撑函数除了给出最优值,还把集合 A 整个恢复出来:A={x:f⋆(x)=0}。
references
- John H. Boyd III (2023), Microeconomics of Competitive Markets, Chapter 7 “Convex Analysis”,7.4–7.5 节。
- Hal R. Varian (1992), Microeconomic Analysis (3rd ed.), Ch.5 “Cost Function” 与 Ch.7 “Utility Maximization”。
- David M. Kreps (2013), Microeconomic Foundations I: Choice and Competitive Markets, Appendix 3 “Convex Analysis”。
- (待补)KC Border 的 convex analysis / duality 讲义与 Nam Nguyen 的课程讲义。