向量加法

向量加法 (Vector Addition)

向量加法（Vector Addition）是线性代数与向量空间理论中最基本的二元运算，它赋予向量集合以代数结构，使之成为向量空间（或称线性空间）的两大核心公理之一（另一为标量乘法）。给定同一向量空间中的两个向量 $\mathbf{u}$ 和 $\mathbf{v}$，向量加法将它们映射为和向量 $\mathbf{u} + \mathbf{v}$。这一运算不仅是几何与物理中力、速度、位移等矢量合成的基础，也在经济学、计量经济学与统计学的多维数据分析中扮演着结构性角色。

几何定义：平行四边形法则与三角形法则

向量加法的几何直观可通过两种等价方式表述。

平行四边形法则：将两个向量的起点置于同一点，以两者为邻边构造平行四边形，从公共起点指向对角的对角线即为和向量 $\mathbf{u} + \mathbf{v}$。这一法则源于力学中力的合成——若两个力作用于同一质点上，其合力的大小与方向恰由该对角线给出。平行四边形法则直接体现了向量加法的交换性：$\mathbf{u} + \mathbf{v} = \mathbf{v} + \mathbf{u}$，因为平行四边形的两条对角线之一对应和，另一条（连接 $\mathbf{u}$ 与 $\mathbf{v}$ 终点的线段）对应差 $\mathbf{u} - \mathbf{v}$。

三角形法则：将 $\mathbf{v}$ 的起点平移至 $\mathbf{u}$ 的终点，则从 $\mathbf{u}$ 的起点指向 $\mathbf{v}$ 的终点的向量即为 $\mathbf{u} + \mathbf{v}$。三角形法则更适用于多个向量的连续相加——将向量首尾相接，最终从第一个起点指向最后一个终点的向量即为总和。这直接对应于向量加法的结合性：$(\mathbf{u} + \mathbf{v}) + \mathbf{w} = \mathbf{u} + (\mathbf{v} + \mathbf{w})$。

两种法则在欧氏平面 $\mathbb{R}^2$ 和三维空间 $\mathbb{R}^3$ 中等价，且均可推广至任意维度的抽象向量空间。

代数定义与向量空间公理

在抽象向量空间 $V$（定义于域 $\mathbb{F}$，通常 $\mathbb{F} = \mathbb{R}$ 或 $\mathbb{C}$）中，向量加法是一个映射 $+: V \times V \to V$，满足以下公理：

1. 交换律：$\mathbf{u} + \mathbf{v} = \mathbf{v} + \mathbf{u}$，对所有 $\mathbf{u}, \mathbf{v} \in V$ 成立。
2. 结合律：$(\mathbf{u} + \mathbf{v}) + \mathbf{w} = \mathbf{u} + (\mathbf{v} + \mathbf{w})$，对所有 $\mathbf{u}, \mathbf{v}, \mathbf{w} \in V$ 成立。
3. 零元存在性：存在唯一向量 $\mathbf{0} \in V$，使得 $\mathbf{v} + \mathbf{0} = \mathbf{v}$ 对所有 $\mathbf{v} \in V$ 成立。
4. 逆元存在性：对每个 $\mathbf{v} \in V$，存在唯一向量 $-\mathbf{v} \in V$，使得 $\mathbf{v} + (-\mathbf{v}) = \mathbf{0}$。

这四条公理使 $(V, +)$ 构成一个阿贝尔群（交换群）。连同标量乘法的四条公理（单位元、结合性、对向量加法的分配律、对标量加法的分配律），完整定义了向量空间结构。当这些公理被满足时，向量加法的所有代数性质均可从公理严格推导，无需依赖具体坐标表示。

坐标表示与分量加法

在有限维向量空间中，选定一组基（basis）后，每个向量可唯一表示为坐标列向量。设 $\{\mathbf{e}_1, \ldots, \mathbf{e}_n\}$ 为 $\mathbb{R}^n$ 的标准基，$\mathbf{u} = (u_1, \ldots, u_n)^T$，$\mathbf{v} = (v_1, \ldots, v_n)^T$，则向量加法退化为逐分量相加：

这是计算机实现向量加法的基础，时间复杂度为 $O(n)$。分量加法表明，向量加法实质上是对各维度独立进行的实数加法的笛卡尔积。这一事实使高维向量运算在数值上完全可处理，构成了矩阵运算、线性方程组求解与多元微积分的全部数值算法的底层操作。

经济学与计量经济学中的应用

向量加法在经济学中以多维度的面貌渗透各类分析框架。

投入产出分析：在里昂惕夫投入产出模型中，总产出向量 $\mathbf{x}$ 满足 $\mathbf{x} = A\mathbf{x} + \mathbf{d}$，其中 $A$ 为技术系数矩阵，$\mathbf{d}$ 为最终需求向量。方程中的向量加法与矩阵-向量乘法共同刻画了经济系统中部门间的相互依存关系。

投资组合理论：马科维茨均值-方差模型中，资产权重向量 $\mathbf{w} = (w_1, \ldots, w_n)^T$ 满足 $\sum_i w_i = 1$（即 $\mathbf{1}^T\mathbf{w} = 1$）。组合的期望收益为 $\mu_p = \mathbf{w}^T\boldsymbol{\mu}$，组合的方差为 $\sigma_p^2 = \mathbf{w}^T\Sigma\mathbf{w}$。收益向量的线性组合与协方差矩阵的二次型均根植于向量加法与内积。当引入无风险资产时，两基金分离定理表明任何有效组合都是两个"基金"的仿射组合，本质仍是向量加法与标量乘法的复合。

计量经济学：多元线性回归模型 $\mathbf{y} = X\boldsymbol{\beta} + \boldsymbol{\varepsilon}$ 中，响应向量 $\mathbf{y}$ 被分解为系统部分 $X\boldsymbol{\beta}$（设计矩阵 $X$ 的列向量的线性组合）与误差向量 $\boldsymbol{\varepsilon}$ 之和——这是向量加法的直接体现。FWL定理（Frisch-Waugh-Lovell Theorem）通过向量加法与正交投影的分解，揭示了多元回归中"剔除其他变量影响"的几何本质：对 $\mathbf{y}$ 和某一解释变量分别向其他变量的正交补空间投影后，两者残差向量的简单回归等价于全模型中的偏回归系数。

时间序列：$n$ 维VAR模型（向量自回归）将多个时间序列堆叠为向量 $\mathbf{y}_t = (y_{1t}, \ldots, y_{nt})^T$，模型 $\mathbf{y}_t = \Phi_1 \mathbf{y}_{t-1} + \cdots + \Phi_p \mathbf{y}_{t-p} + \boldsymbol{\varepsilon}_t$ 的每一步递推都是滞后向量的加法与矩阵乘法的复合，使得向量加法的代数性质（结合律、分配律）隐含地约束了整个动态系统的稳定性分析。

一般均衡理论：阿罗-德布鲁一般均衡模型中，超额需求向量 $\mathbf{z}(\mathbf{p}) = \mathbf{x}(\mathbf{p}) - \mathbf{y}(\mathbf{p}) - \boldsymbol{\omega}$ 是向量减法的典型应用。瓦尔拉斯法则要求 $\mathbf{p} \cdot \mathbf{z}(\mathbf{p}) = 0$ 对所有价格向量成立，将向量加法的代数约束与价格内积的几何正交性联系，为不动点论证方法证明均衡存在性提供了核心结构。

与相关概念的比较

向量加法是线性组合、线性相关与线性无关、向量投影与正交分解等概念的运算基础。它与矩阵加法共享分量相加的逐元素模式，但矩阵加法作用于二维数组，而向量加法仅作用于单列（或单行）。在仿射空间中，向量加法被"点加向量"的平移运算所取代——点与点之间不能直接相加，但点与向量的和定义了另一点，这体现了向量加法在更一般几何结构中的适应性。

向量加法的范数性质

向量加法与范数（norm）的关系是分析学中三角不等式的来源。对任意范数 $\|\cdot\|$，三角不等式断言 $\|\mathbf{u} + \mathbf{v}\| \leq \|\mathbf{u}\| + \|\mathbf{v}\|$，当且仅当两向量非负成比例时取等号。在欧氏空间中，这退化为几何中"三角形两边之和大于第三边"的经典事实。进一步，在内积空间中，平行四边形法则 $\|\mathbf{u} + \mathbf{v}\|^2 + \|\mathbf{u} - \mathbf{v}\|^2 = 2(\|\mathbf{u}\|^2 + \|\mathbf{v}\|^2)$ 刻画了范数由内积诱导的充要条件。这一恒等式在最小二乘法的正交投影推导中频繁出现——残差向量与拟合值向量的加法分解恰好满足该恒等式，从而保证最小二乘解的几何最优性。