向量运算

向量（vector）是既有大小又有方向的量，与之相对的是仅有大小的标量（scalar）。向量运算是线性代数、物理学和经济学建模的基础工具，广泛应用于优化理论、计量分析和一般均衡框架。从消费者选择的预算约束到资产定价中的因子模型，向量运算将几何直观转化为代数精确性，是经济分析中不可或缺的数学语言。

一、向量的基本表示

在 $\mathbb{R}^n$ 空间中，向量 $\mathbf{v}$ 通常表示为列向量 $\mathbf{v} = (v_1, v_2, \dots, v_n)^\top$。向量的模（或称长度、范数）定义为 $\|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2}$，这一度量源于勾股定理在高维空间的推广。模为 $1$ 的向量称为单位向量，任意非零向量均可通过归一化转化为单位向量：$\hat{\mathbf{v}} = \mathbf{v} / \|\mathbf{v}\|$。在 $\mathbb{R}^2$ 平面中，向量 $\mathbf{v} = (3, 4)^\top$ 的模为 $5$，方向角 $\theta = \arctan(4/3)$。向量的方向由方向余弦（各分量与模的比值）唯一确定，这一性质在构建多元回归模型的方向解释中具有重要应用。

二、向量加法与减法

向量加法遵循平行四边形法则或三角形法则：$\mathbf{a} + \mathbf{b} = (a_1+b_1, a_2+b_2, \dots, a_n+b_n)^\top$。其几何意义是将一个向量的起点置于另一向量的终点，和向量从起点指向最终终点。加法满足交换律 $\mathbf{a}+\mathbf{b} = \mathbf{b}+\mathbf{a}$ 与结合律 $(\mathbf{a}+\mathbf{b})+\mathbf{c} = \mathbf{a}+(\mathbf{b}+\mathbf{c})$。在经济学中，向量加法可用于汇总多个商品的消费量：若消费者在时期一消费束为 $\mathbf{x}^{(1)}$，时期二为 $\mathbf{x}^{(2)}$，则总消费量即为 $\mathbf{x}^{(1)} + \mathbf{x}^{(2)}$。

向量减法定义为 $\mathbf{a} - \mathbf{b} = \mathbf{a} + (-\mathbf{b})$，几何上表示从 $\mathbf{b}$ 末端指向 $\mathbf{a}$ 末端的向量，可用于描述两点之间的位移。在计量经济学中，残差向量 $\mathbf{e} = \mathbf{y} - \hat{\mathbf{y}}$ 正是观测值与拟合值之间的向量差，其正交性是OLS估计的核心特征。

三、数乘（标量乘法）

标量 $\lambda \in \mathbb{R}$ 与向量的乘积为 $\lambda\mathbf{v} = (\lambda v_1, \lambda v_2, \dots, \lambda v_n)^\top$。当 $\lambda > 0$ 时方向不变，$\lambda < 0$ 时反向，$|\lambda| > 1$ 时拉伸，$0 < |\lambda| < 1$ 时压缩。零向量的任意数乘仍为零向量 $\mathbf{0}$。数乘满足分配律 $(\lambda + \mu)\mathbf{v} = \lambda\mathbf{v} + \mu\mathbf{v}$ 和结合律 $\lambda(\mu\mathbf{v}) = (\lambda\mu)\mathbf{v}$。在经济学中，数乘对应着规模变换——若预算向量 $\mathbf{p}$ 代表一组价格，则 $k\mathbf{p}$ 表示所有价格同比例变动 $k$ 倍，相对价格不受影响，这一性质在齐次函数理论中尤为重要。

四、内积（点积 / 数量积）

两个 $n$ 维向量的内积定义为 $\mathbf{a} \cdot \mathbf{b} = a_1b_1 + a_2b_2 + \cdots + a_nb_n = \|\mathbf{a}\|\|\mathbf{b}\|\cos\theta$，其中 $\theta$ 为两向量夹角。内积结果为标量，满足交换律和分配律，且与数乘兼容：$(\lambda\mathbf{a})\cdot\mathbf{b} = \lambda(\mathbf{a}\cdot\mathbf{b})$。

关键性质：

• 若 $\mathbf{a} \cdot \mathbf{b} = 0$，则两向量正交（垂直），这意味着两个向量所承载的信息不相关。
• $\mathbf{a} \cdot \mathbf{a} = \|\mathbf{a}\|^2$，即向量与自身的内积等于其模的平方。
• 柯西-施瓦茨不等式：$|\mathbf{a} \cdot \mathbf{b}| \leq \|\mathbf{a}\|\|\mathbf{b}\|$，等号成立当且仅当两向量共线。该不等式是经济学中许多最优化问题的基础。

在经济学中，内积的应用极为广泛：总收入是价格向量与数量向量的内积 $R = \mathbf{p}\cdot\mathbf{q}$；消费支出是价格向量与消费束的内积 $\mathbf{p}\cdot\mathbf{x} \leq m$；方差-协方差矩阵 $\Sigma$ 与权重向量的二次型 $\mathbf{w}^\top\Sigma\mathbf{w}$ 则是投资组合方差的核心表达式。内积还提供了柯布-道格拉斯生产函数的梯度与等产量线法向量之间的几何解释。

五、外积（叉积 / 向量积）

外积仅定义于 $\mathbb{R}^3$ 空间中：$\mathbf{a} \times \mathbf{b} = \left( \begin{vmatrix} a_2 & a_3 \\ b_2 & b_3 \end{vmatrix}, \begin{vmatrix} a_3 & a_1 \\ b_3 & b_1 \end{vmatrix}, \begin{vmatrix} a_1 & a_2 \\ b_1 & b_2 \end{vmatrix} \right)^\top$。每个分量由 $2\times2$ 行列式给出，反映了两个向量在对应坐标平面上的投影面积。

几何意义：结果向量垂直于 $\mathbf{a}$ 和 $\mathbf{b}$ 所确定的平面，方向由右手定则确定；模 $\|\mathbf{a} \times \mathbf{b}\| = \|\mathbf{a}\|\|\mathbf{b}\|\sin\theta$ 等于以两向量为邻边的平行四边形面积。叉积满足反交换律 $\mathbf{a} \times \mathbf{b} = -(\mathbf{b} \times \mathbf{a})$，但不满足结合律；它满足雅可比恒等式：$\mathbf{a}\times(\mathbf{b}\times\mathbf{c}) + \mathbf{b}\times(\mathbf{c}\times\mathbf{a}) + \mathbf{c}\times(\mathbf{a}\times\mathbf{b}) = \mathbf{0}$。在经济学中，外积可用于描述三维商品空间中两个价格变化向量的法线方向，该法线方向对应着预算约束面的旋转轴。

六、线性相关与线性无关

一组向量 $\{\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_k\}$ 若存在不全为零的标量 $c_1, c_2, \dots, c_k$ 使得 $\sum_{i=1}^k c_i\mathbf{v}_i = \mathbf{0}$，则称其为线性相关；否则为线性无关。在 $\mathbb{R}^n$ 中，超过 $n$ 个向量必然线性相关——这一结论是维度概念的代数表达。线性无关组的极大组构成该空间的一组基，基的个数即为空间的维数。

这一概念是理解矩阵秩、方程组解结构和计量经济学中多重共线性的基础。当解释变量向量之间存在近似线性相关时，OLS估计量的方差膨胀，导致系数估计不稳定。方差膨胀因子（VIF）正是基于辅助回归中解释变量向量间的线性相关程度来诊断多重共线性。

七、经济学中的应用

1. 一般均衡与线性规划：预算约束 $\mathbf{p} \cdot \mathbf{x} \leq m$ 是价格向量与消费束的内积；线性规划的可行域由向量不等式定义，单纯形法沿着极向量的方向搜寻最优解。生产集 $\mathbf{y} = (y_1, \dots, y_n)^\top$ 的正负分量分别表示产出和投入，利润最大化可表示为 $\max_{\mathbf{y}\in Y} \mathbf{p}\cdot\mathbf{y}$。

1. 计量经济学：OLS 估计量 $\hat{\boldsymbol{\beta}} = (\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}$ 本质上是 $\mathbf{y}$ 在 $\mathbf{X}$ 列空间上的正交投影，残差向量 $\mathbf{e} = \mathbf{y} - \mathbf{X}\hat{\boldsymbol{\beta}}$ 与 $\mathbf{X}$ 的每一列正交，这是高斯-马尔可夫定理的几何基础。工具变量估计则是在 $\mathbf{X}$ 与扰动项相关时寻找投影空间的替代向量集。

1. 投资组合理论：资产权重向量 $\mathbf{w}$ 与收益率向量 $\boldsymbol{\mu}$ 的内积为期望收益 $E[R] = \mathbf{w}^\top\boldsymbol{\mu}$，方差 $\sigma^2 = \mathbf{w}^\top\Sigma\mathbf{w}$ 衡量风险。最小方差前沿的推导本质上是带有线性约束的二次规划问题，其中向量运算提供了从一阶条件到有效边界的完整代数框架。

1. 博弈论：混合策略可视为概率单纯形 $\Delta^n = \{\mathbf{p}\in\mathbb{R}^{n+1}_+ : \sum p_i = 1\}$ 中的向量。纳什均衡的存在性依赖于布劳威尔或角谷不动点定理，这些定理的证明涉及向量值函数的连续性和凸值对应，向量代数在此过程中提供了从策略空间到支付空间的映射工具。

向量运算为经济分析提供了从几何直观到代数精确的桥梁，尤其在处理高维数据、优化模型和统计推断时，向量语言使得复杂关系得以简洁表达和严谨推导。从微观经济学的消费者理论到宏观经济学的动态随机一般均衡模型，向量运算始终是现代经济分析的数学基石。