KNOWECON WIKI

ARTICLE

多元函数

多元函数 (Multivariate Function) 多元函数是指自变量个数大于等于两个的函数，即定义域为 R^n（n 2）的子集、值域为 R 的映射 f: D R^n R。多元函数是微积分从单变量到多变量的自然推广，也是经济学中建模多因素相互作用的数学基础。经典的经济学例子包括：柯布-道格拉斯生产函数 Y = A K^ L^ （资本 K 和劳动 L 两

浏览 5 更新 2025-10-26

多元函数 (Multivariate Function)

多元函数是指自变量个数大于等于两个的函数，即定义域为 Rn\mathbb{R}^n（n≥2n \geq 2）的子集、值域为 R\mathbb{R} 的映射 f:D⊆Rn→Rf: D \subseteq \mathbb{R}^n \to \mathbb{R}。多元函数是微积分从单变量到多变量的自然推广，也是经济学中建模多因素相互作用的数学基础。经典的经济学例子包括：柯布-道格拉斯生产函数 Y=AKαLβY = A K^\alpha L^\beta（资本 KK 和劳动 LL 两个自变量决定产出 YY）、效用函数 U(x1,x2,…,xn)U(x_1, x_2, \dots, x_n)（多种商品消费量决定效用水平）、以及需求函数 Qd=f(P,I,Ps,Pc)Q_d = f(P, I, P_s, P_c)（价格、收入、替代品价格、互补品价格共同影响需求量）。

极限与连续性

多元函数的极限定义要求自变量沿任意路径趋近于某点时，函数值均趋于同一极限。这一要求比单变量情形严格得多：若沿不同路径（例如沿 xx 轴、沿 yy 轴、沿抛物线等）得到不同极限值，则该极限不存在。形式上，lim⁡(x,y)→(a,b)f(x,y)=L\lim_{(x,y) \to (a,b)} f(x,y) = L 当且仅当对任意序列 {(xn,yn)}→(a,b)\{(x_n, y_n)\} \to (a,b)（满足 (xn,yn)≠(a,b)(x_n, y_n) \neq (a,b)），均有 f(xn,yn)→Lf(x_n, y_n) \to L。

连续性的定义与单变量类似：ff 在点 a\mathbf{a} 处连续当且仅当 lim⁡x→af(x)=f(a)\lim_{\mathbf{x} \to \mathbf{a}} f(\mathbf{x}) = f(\mathbf{a})。与单变量不同，多元函数的连续性不再等价于左右极限相等，而是要求所有路径极限均存在且等于函数值。连续函数在紧集（有界闭集）上仍保持最值定理和介值定理的性质。

偏导数与全微分

偏导数

偏导数反映函数沿坐标轴方向的变化率。定义二元函数 f(x,y)f(x,y) 关于 xx 的偏导数为：

∂f∂x(x0,y0)=lim⁡h→0f(x0+h,y0)−f(x0,y0)h\frac{\partial f}{\partial x}(x_0, y_0) = \lim_{h \to 0} \frac{f(x_0 + h, y_0) - f(x_0, y_0)}{h}

偏导数的计算与单变量导数类似——将其他自变量视为常数后对目标变量求导。在经济学中，偏导数被广泛用于解释边际分析：例如生产函数中 ∂Y/∂K\partial Y / \partial K 即资本的边际产出，效用函数中 ∂U/∂xi\partial U / \partial x_i 即商品 ii 的边际效用。

全微分与可微性

多元函数的可微性比偏导数的存在更强。若 ff 在点 x0\mathbf{x}_0 处可微，则存在线性映射 Df(x0):Rn→RDf(\mathbf{x}_0): \mathbb{R}^n \to \mathbb{R} 使得：

f(x0+h)=f(x0)+Df(x0)(h)+o(∥h∥)f(\mathbf{x}_0 + \mathbf{h}) = f(\mathbf{x}_0) + Df(\mathbf{x}_0)(\mathbf{h}) + o(\|\mathbf{h}\|)

该线性映射即全微分，其系数恰为各偏导数。可微性保证了函数在该点附近可被线性函数良好逼近——这一性质是优化理论和比较静态分析的数学前提。若所有偏导数在邻域内存在且连续，则函数一定可微（连续可微类 C1C^1）。

梯度、方向导数与海塞矩阵

方向导数与梯度

方向导数度量函数沿任意方向 v\mathbf{v} 的变化率（∥v∥=1\|\mathbf{v}\| = 1）：

Dvf(x0)=lim⁡h→0f(x0+hv)−f(x0)hD_{\mathbf{v}} f(\mathbf{x}_0) = \lim_{h \to 0} \frac{f(\mathbf{x}_0 + h\mathbf{v}) - f(\mathbf{x}_0)}{h}

当函数可微时，方向导数等于梯度向量与方向向量的内积：Dvf=∇f⋅vD_{\mathbf{v}} f = \nabla f \cdot \mathbf{v}。梯度定义为 ∇f=(∂f/∂x1,…,∂f/∂xn)\nabla f = (\partial f / \partial x_1, \dots, \partial f / \partial x_n)，其方向是函数值增长最快的方向，模长为该方向的变化率。梯度在经济学中的核心应用包括：在消费者理论中，预算约束下效用最大化的内点解满足梯度与价格向量成比例——即边际替代率等于价格比。

海塞矩阵

海塞矩阵（Hessian Matrix）是多元函数的二阶偏导数构成的方阵：

H_f = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \cdots \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots \\

\vdots \& \vdots \& \ddots

\end{bmatrix}

若二阶偏导数连续，则混合偏导数相等（克莱罗定理，即 ∂2f/∂xi∂xj=∂2f/∂xj∂xi\partial^2 f / \partial x_i \partial x_j = \partial^2 f / \partial x_j \partial x_i），海塞矩阵对称。海塞矩阵的正定性、半正定性等性质直接决定了多元函数的凹凸性，进而影响无约束优化问题中极值点的判别：若 ∇f=0\nabla f = 0 且海塞矩阵正定，则该点为严格局部极小值点；负定则为严格局部极大值点；不定则为鞍点。在经济学中，利润函数对价格的二阶导数矩阵（谢泼德引理的推广）、成本函数的凹凸性检验均依赖于海塞矩阵的分析。

隐函数定理

隐函数定理是多元微积分中最重要的定理之一。设 F:Rm+n→RmF: \mathbb{R}^{m+n} \to \mathbb{R}^m 连续可微，在满足 F(x0,y0)=0F(\mathbf{x}_0, \mathbf{y}_0) = 0 且 ∂F/∂y\partial F / \partial \mathbf{y} 在该点可逆的条件下，则在 (x0,y0)(\mathbf{x}_0, \mathbf{y}_0) 附近存在唯一的隐函数 y=g(x)\mathbf{y} = \mathbf{g}(\mathbf{x}) 满足 F(x,g(x))=0F(\mathbf{x}, \mathbf{g}(\mathbf{x})) = 0，且其导数由 Dg=−(∂F/∂y)−1(∂F/∂x)D\mathbf{g} = -(\partial F / \partial \mathbf{y})^{-1} (\partial F / \partial \mathbf{x}) 给出。

这一定理是经济学比较静态分析的数学支柱。例如，在一般均衡模型中，mm 条市场出清方程 F(p,θ)=0F(\mathbf{p}, \theta) = 0（p\mathbf{p} 为价格向量，θ\theta 为外生参数）定义了均衡价格与参数的隐函数关系，隐函数定理给出了 ∂p/∂θ\partial \mathbf{p} / \partial \theta 的存在性和表达式，使分析参数变动对均衡的影响成为可能。

多元函数优化

无约束优化

无约束优化的一阶必要条件（FOC）为梯度为零：∇f(x∗)=0\nabla f(\mathbf{x}^*) = 0。一阶条件给出的驻点可能是极小值点、极大值点或鞍点。二阶充分条件则需检验海塞矩阵：正定时为严格局部极小值，负定时为严格局部极大值。

约束优化

带等式约束的优化问题可写为：

max⁡xf(x)s.t.gj(x)=0, j=1,…,m\max_{\mathbf{x}} f(\mathbf{x}) \quad \text{s.t.} \quad g_j(\mathbf{x}) = 0,\ j = 1, \dots, m

其标准解法是拉格朗日乘数法：构造拉格朗日函数 L(x,λ)=f(x)−∑λjgj(x)\mathcal{L}(\mathbf{x}, \boldsymbol{\lambda}) = f(\mathbf{x}) - \sum \lambda_j g_j(\mathbf{x})，一阶条件为 ∇xL=0\nabla_{\mathbf{x}} \mathcal{L} = 0 和 gj(x)=0g_j(\mathbf{x}) = 0。二阶条件要求检验拉格朗日函数的加边海塞矩阵（Bordered Hessian）在各约束边界上的符号条件。

在经济学中，效用最大化问题（预算约束下）和成本最小化问题（产出约束下）均为约束优化的典型实例。拉格朗日乘数 λj\lambda_j 的经济解释是约束条件的影子价格——即约束右端项每放松一个单位，目标函数值的边际增益。

泰勒展开与函数逼近

多元函数的泰勒展开将单变量泰勒公式推广到多变量情形。若 f∈Ckf \in C^k，则在点 x0\mathbf{x}_0 附近可表示为：

f(x)=f(x0)+f(\mathbf{x}) = f(\mathbf{x}_0) +

abla f(x0\mathbf{x}_0)^ op (x\mathbf{x} - x0\mathbf{x}_0) + rac{1}{2} (x\mathbf{x} - x0\mathbf{x}_0)^ op HfH_f(x0\mathbf{x}_0) (x\mathbf{x} - x0\mathbf{x}_0) + o(\|x\mathbf{x} - x0\mathbf{x}_0\|^2) 一阶项由梯度驱动，刻画函数在当前点的最速变化方向；二阶项由海塞矩阵驱动，刻画曲率信息。在经济学中，泰勒展开被广泛用于间接效用函数的近似计算、风险资产收益的均值-方差分析、以及动态随机一般均衡（DSGE）模型中对非线性均衡条件的对数线性化处理。

齐次函数与欧拉定理

extbf{齐次函数}在经济学中具有特殊地位。函数 f(x)f(\mathbf{x}) 称为 kk 次齐次的，若对任意 λ>0\lambda > 0 有 f(λx)=λkf(x)f(\lambda \mathbf{x}) = \lambda^k f(\mathbf{x})。欧拉齐次函数定理指出，若 ff 可微且为 kk 次齐次，则：

n\sum_{i=1}^n \] \\ \[ rac{\partial f}{\partial x_i} \cdot x_i = k f(\mathbf{x})

这一结论的经济解释极为直观：若生产函数为一次齐次（即规模报酬不变），则各要素的边际产出乘以要素投入量的加总恰好等于总产出——这正是产品分配净尽定理（欧拉分配定理）的数学表述。类似地，位似偏好（homothetic preference）对应的间接效用函数和支出函数均具有齐次性，这为消费者理论中的比较静态分析提供了便利。

多元函数的凹凸性

extbf{凸函数}与 extbf{凹函数}在优化和经济学中具有根本重要性。多元函数 ff 称为凹函数，若对任意 x,y\mathbf{x}, \mathbf{y} 和 heta∈[0,1] heta \in [0,1] 有 f(hetax+(1−heta)y)≥hetaf(x)+(1−heta)f(y)f( heta \mathbf{x} + (1- heta)\mathbf{y}) \geq heta f(\mathbf{x}) + (1- heta) f(\mathbf{y})；若不等号反向则为凸函数。可微凹函数的一阶特征为：f(\(\mathbf{y}) \leq f(x\mathbf{x}) + abla f(x\mathbf{x})^ op (y\mathbf{y} - x\mathbf{x})\)，即函数图像始终位于切平面下方——这直接确保了一阶条件在凹函数情形下也是全局最优的充分条件。

二阶特征由海塞矩阵刻画：ff 为凹函数当且仅当海塞矩阵处处 extbf{半负定}；为凸函数当且仅当海塞矩阵处处 extbf{半正定}。在经济学中，凹性假设具有明确的经济含义：边际效用递减意味着效用函数是凹函数；边际产出递减意味着生产函数关于单一要素是凹函数。詹森不等式（Jensen's Inequality）——凹函数条件下 f(E[X])≥E[f(X)]f(\mathbb{E}[X]) \geq \mathbb{E}[f(X)]——则构成期望效用理论中风险厌恶（冯·诺伊曼-摩根斯坦效用函数为凹函数）的数学基础。