线性代BRA

线性代数 (Linear Algebra)

线性代数是数学的一个核心分支，研究向量空间（线性空间）、线性变换以及矩阵理论的结构与性质。作为现代科学和工程学的通用语言，线性代数在经济学、统计学、机器学习、物理学和计算机科学等领域均有广泛而深刻的应用。其核心思想在于将复杂的多维问题抽象为向量和矩阵的运算，从而利用代数工具进行高效分析。

基本概念

向量与向量空间

向量（vector）是线性代数的最基本构件。一个 $n$ 维向量可表示为有序实数组 $(x_1, x_2, \dots, x_n)$，几何上对应 $n$ 维空间中的一个点或有向线段。向量之间的加法和数乘运算满足封闭性、结合律、交换律和分配律。

向量空间（vector space，亦称线性空间）是定义在域 $\mathbb{F}$ 上的一个集合 $V$，其元素（向量）在加法和数乘下封闭，且满足八条公理。$\mathbb{R}^n$ 是最常见的实向量空间。向量空间的子空间（subspace）是 $V$ 中在加法和数乘下封闭的非空子集。

线性组合与线性无关

向量 $\mathbf{v}_1, \dots, \mathbf{v}_k$ 的线性组合定义为 $\sum_{i=1}^k c_i \mathbf{v}_i$，其中 $c_i \in \mathbb{F}$ 为标量系数。若存在不全为零的系数使得 $\sum c_i \mathbf{v}_i = \mathbf{0}$，则称这些向量线性相关（linearly dependent）；否则称为线性无关（linearly independent）。线性无关的向量组构成基（basis），其元素个数称为维度（dimension）。

矩阵与线性变换

矩阵运算

矩阵（matrix）是按矩形排列的数表，记作 $\mathbf{A} \in \mathbb{R}^{m \times n}$，具有 $m$ 行 $n$ 列。矩阵的转置（transpose）交换行和列；矩阵乘法满足结合律但不满足交换律；逆矩阵（inverse）$\mathbf{A}^{-1}$ 满足 $\mathbf{A}^{-1}\mathbf{A} = \mathbf{A}\mathbf{A}^{-1} = \mathbf{I}$，仅对方阵存在。行列式（determinant）是标量值 $\det(\mathbf{A})$，衡量线性变换的尺度缩放因子，并为矩阵可逆性提供了判别条件（$\det(\mathbf{A}) \neq 0$ 当且仅当 $\mathbf{A}$ 可逆）。

线性变换

线性变换（linear transformation）是保持加法和数乘的映射 $T: V \to W$，即 $T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$，$T(c\mathbf{v}) = cT(\mathbf{v})$。在选定基后，任意线性变换可由矩阵唯一表示：$T(\mathbf{v}) = \mathbf{A}\mathbf{v}$。线性变换的核（kernel）和像（image）分别是子空间，秩-零化度定理（rank–nullity theorem）建立了二者维度之间的关系。

特征值理论与二次型

特征值与特征向量

对于方阵 $\mathbf{A} \in \mathbb{R}^{n \times n}$，若存在非零向量 $\mathbf{v}$ 和标量 $\lambda$ 使得 $\mathbf{A}\mathbf{v} = \lambda \mathbf{v}$，则称 $\lambda$ 为特征值（eigenvalue），$\mathbf{v}$ 为对应的特征向量（eigenvector）。特征值的求解源于特征方程 $\det(\mathbf{A} - \lambda \mathbf{I}) = 0$。

矩阵对角化（diagonalization）将矩阵分解为 $\mathbf{A} = \mathbf{P}\mathbf{D}\mathbf{P}^{-1}$，其中 $\mathbf{D}$ 为特征值构成的对角矩阵，$\mathbf{P}$ 为特征向量矩阵。当 $\mathbf{A}$ 为对称矩阵时，存在正交对角化，这是谱定理（spectral theorem）的核心结论。奇异值分解（SVD）推广了特征分解，将任意矩阵 $\mathbf{A} \in \mathbb{R}^{m \times n}$ 分解为 $\mathbf{A} = \mathbf{U}\mathbf{\Sigma}\mathbf{V}^{\mathsf{T}}$，是数据降维和主成分分析的基础。

二次型与正定性

二次型（quadratic form）是形如 $Q(\mathbf{x}) = \mathbf{x}^{\mathsf{T}}\mathbf{A}\mathbf{x}$ 的标量函数，其中 $\mathbf{A}$ 为对称矩阵。二次型在最优化中扮演关键角色：正定矩阵（所有特征值 $\lambda_i > 0$）对应极小点，负定矩阵对应极大点，不定矩阵对应鞍点。Hessian矩阵的正定性判断是经济学中最优化问题二阶条件的核心工具。

在经济学中的应用

线性代数的工具在经济学中无处不在：投入产出分析（Leontief, 1941）使用列昂惕夫矩阵描述产业间关系，其核心是求解 $(\mathbf{I} - \mathbf{A})^{-1}\mathbf{d}$；线性规划（Linear Programming）的对偶理论与单纯形法依赖矩阵运算；计量经济学中的OLS估计量 $\hat{\boldsymbol{\beta}} = (\mathbf{X}^{\mathsf{T}}\mathbf{X})^{-1}\mathbf{X}^{\mathsf{T}}\mathbf{y}$ 直接源自线性代数的投影理论；一般均衡模型中价格向量的变换与不动点算法离不开特征值分析；因子模型和主成分分析以 SVD 和特征分解为数学引擎。可以说，线性代数为经济学提供了从局部均衡到全局均衡、从静态比较到动态优化的完整分析语言。