重数

重数 (Multiplicity)

重数（Multiplicity）是线性代数中描述特征值重复程度的核心概念，贯穿矩阵对角化、若尔当标准形及动力系统稳定性分析等关键领域。对于一个 $n \times n$ 方阵 $A$，其特征值 $\lambda$ 满足 $\det(A - \lambda I) = 0$。重数分为两种——代数重数和几何重数，它们的差距刻画了矩阵偏离可对角化的程度，在计量经济学的协整分析、主成分提取和动态系统研究中均有深刻应用。

代数重数

代数重数（Algebraic Multiplicity）是指特征值 $\lambda$ 作为特征多项式根的重数。将特征多项式因式分解：

其中 $\lambda_1, \lambda_2, \ldots, \lambda_k$ 为互异特征值，则 $m_i$ 即为 $\lambda_i$ 的代数重数。所有代数重数之和等于矩阵的阶数：$\sum_{i=1}^k m_i = n$。代数重数决定了特征值在谱分解中的"重复次数"——在复数域上，每个 $n$ 阶方阵恰有 $n$ 个特征值（计重数），这是代数基本定理的直接推论。例如对角矩阵 $\operatorname{diag}(3, 3, 3, 5)$ 中，特征值 3 的代数重数为 3，特征值 5 的代数重数为 1，总和为 4 等于矩阵阶数。

几何重数

几何重数（Geometric Multiplicity）是指特征值 $\lambda$ 所对应的特征空间（Eigenspace）的维数，即满足 $(A - \lambda I)\mathbf{v} = \mathbf{0}$ 的线性无关特征向量的最大个数：

几何重数至少为 1（因为特征值总对应至少一个特征向量），且不超过代数重数：$1 \le \gamma(\lambda) \le m(\lambda)$。这一不等式是理解矩阵结构的钥匙——当且仅当对所有特征值都有 $\gamma(\lambda_i) = m(\lambda_i)$ 时，矩阵才可对角化。几何重数的大小反映的是"有多少个真正独立的特征方向"，而非仅仅特征值重复了多少次。

代数重数与几何重数的关系

二者之间的差距 $\delta(\lambda) = m(\lambda) - \gamma(\lambda)$ 衡量了矩阵在 $\lambda$ 处"非对角化"的程度，常被称为几何亏损（Geometric Deficiency）。以矩阵

为例，特征值 $\lambda = 2$ 的代数重数为 3（特征多项式为 $(2-\lambda)^3$），但 $A - 2I = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{pmatrix}$ 的秩为 2，故几何重数仅为 $3 - 2 = 1$。这意味着该矩阵无法对角化，其若尔当标准形由一个 $3 \times 3$ 的若尔当块构成。

更一般地，几何重数等于特征值对应的若尔当块个数，而代数重数等于所有对应若尔当块的阶数之和。每个若尔当块贡献恰好一个特征向量（块的首列），其余列均为广义特征向量。这意味着，若某特征值的代数重数为 $m$ 而几何重数为 1，则其若尔当标准形由一个 $m \times m$ 的若尔当超块构成，仅对应一个真正的特征向量，其余 $m-1$ 个均为广义特征向量。这种极端情形常出现在差分方程中的重单位根问题中，对系统动态行为产生深远影响。

可对角化的判别准则

矩阵可对角化的充要条件可以通过重数简洁刻画：一个 $n \times n$ 方阵可对角化，当且仅当其每个特征值的代数重数等于几何重数，即 $m(\lambda_i) = \gamma(\lambda_i)$ 对所有 $i = 1, \ldots, k$ 成立。等价地，矩阵拥有 $n$ 个线性无关的特征向量。

充分条件包括：所有特征值互异（此时每个 $m_i = \gamma_i = 1$，自动满足对角化条件）；或矩阵为正规矩阵（满足 $A^T A = A A^T$，如实对称矩阵、正交矩阵、酉矩阵），因为正规矩阵的谱定理保证其必可酉对角化，特征向量可构成一组标准正交基。在实际计量经济学建模中，方差-协方差矩阵作为实对称矩阵总是可对角化的，这一性质是主成分分析和因子分析的数学基础，保证了主成分的正交性和方差的非负性。

广义特征向量与若尔当链

当几何重数严格小于代数重数时，除特征向量外还需引入广义特征向量（Generalized Eigenvector）来构造完整的基。广义特征向量 $\mathbf{v}^{(j)}$ 满足递推关系：

其中 $\mathbf{v}^{(1)}$ 是真正特征向量，$\mathbf{v}^{(2)}, \ldots, \mathbf{v}^{(p)}$ 依次为各阶广义特征向量。这一序列称为一个若尔当链（Jordan Chain），其长度 $p$ 等于对应若尔当块的阶数。所有若尔当链的向量合起来构成 $\mathbb{C}^n$ 的一组基，在这组基下矩阵表现为若尔当标准形。

广义特征向量的概念在求解线性微分方程组 $\dot{\mathbf{x}} = A\mathbf{x}$ 和差分方程组时具有核心作用——重特征值且几何亏损时，解中不仅出现指数项 $e^{\lambda t}$，还会出现 $t e^{\lambda t}, t^2 e^{\lambda t}$ 等多项式乘项，对应系统的共振或长期乘数效应。这在经济学中对应冲击效应的持续放大或缓慢衰减行为。

在经济学与计量经济学中的应用

动力系统与差分方程

在宏观经济学中，线性动力系统 $\mathbf{x}_{t+1} = A\mathbf{x}_t$ 的稳定性取决于 $A$ 的谱半径 $\rho(A) = \max|\lambda_i|$。当 $\rho(A) < 1$ 时系统全局收敛至零稳态。特征值的重数在此过程中扮演微妙角色：若模长最大的特征值代数重数为 $m$ 而几何重数为 $\gamma < m$，则通解中含 $t^{m-\gamma}$ 量级的多项式因子，收敛速度慢于仅有单根的情形。这种多项式发散或缓慢衰减在递归竞争均衡和DSGE模型的局部稳定性分析中需特别注意——代数重数与几何重数的差距直接影响鞍点路径的维度和动态调整路径的定性行为。当系统矩阵的特征值 1 具有高重数时，系统呈现滞后效应（Hysteresis），冲击的短期影响不会随时间的推移而衰减为零，而是永久性地改变系统的均衡水平。

协整与单位根

在时间序列分析中，VAR模型的可逆性与特征值重数密切相关。若伴随矩阵的特征值 1 具有代数重数 $r$ 和几何重数 $\gamma$，则系统的协整秩为 $n - \gamma$，而非简单等于 $n - r$。当几何重数低于代数重数时，系统不仅含有单位根，还可能包含多项式趋势——这一区分在Johansen协整检验的实际操作中不可忽视：错误地将几何亏损视为额外的协整关系会导致VECM误设和误导性的政策推断。

主成分分析

主成分分析（PCA）中，协方差矩阵 $\Sigma$ 的特征值重数直接影响主成分的可辨识性。若最大特征值的代数重数为 $d > 1$，则前 $d$ 个主成分的任何一个正交旋转均等价有效——主成分方向不再唯一确定，此时主成分的选择需要借助额外准则（如Varimax旋转）或领域知识来赋予可解释性。反之，若特征值互异，主成分方向具有唯一性，可被明确识别。

马尔可夫链与随机过程

马尔可夫链的平稳分布唯一性直接由转移矩阵特征值 1 的几何重数决定：几何重数等于 1 意味着存在唯一平稳分布（链不可约且正常返，即为遍历链）；几何重数大于 1 则表明状态空间可分解为多个互不连通的吸收类，每个类对应一个独立平稳分布。而代数重数大于几何重数时，链虽不可进一步分解，但包含周期性成分——特征值 $\lambda = -1$ 的重数对应周期为 2 的行为；复单位根的重数可能对应更复杂的周期模式。在贝叶斯计量经济学的MCMC抽样中，马尔可夫链转移核的谱性质（特别是第二大特征值的模长与重数）直接决定算法的混合速率和收敛诊断效果。

代数重数与迹和行列式

特征值的代数重数与矩阵的两个基本不变量紧密相关。迹等于所有特征值（计代数重数）之和：

行列式等于所有特征值（计代数重数）之积：

这两个恒等式揭示了代数重数在矩阵函数计算中的基础地位。在计量经济学中，信息矩阵的行列式（即Fisher信息）和迹在最大似然估计的渐近协方差中有直接应用——Fisher信息矩阵的特征值越大且重数越低，似然函数在参数空间中越"尖锐"，参数估计越精确。

计算与识别

实际计算中，代数重数可由特征多项式的因式分解获得，但对高维矩阵往往依赖数值方法（如QR算法进行特征值迭代逼近）。几何重数则通过计算 $A - \lambda I$ 的零空间维数来确定，在数值实现中常用奇异值分解（SVD）判定数值秩。值得注意的是，在有限精度算术下，严格的重数概念可能因舍入误差而模糊——例如两个理论上互异的特征值因数值扰动而合并，此时需借助特征值敏感性分析和条件数来辅助判定。矩阵的谱条件数越大，特征值对扰动的敏感度越高，重数的数值判定越不可靠。

在计量经济学的协整秩检验中，Johansen 迹检验和最大特征值检验的核心正是判定单位根的重数（即协整向量的个数），检验统计量的渐近分布依赖于 Wiener 过程的维数——该维数恰由单位根的重数决定。因此，重数估计的准确性直接影响协整关系的识别和向量误差修正模型（VECM）的设定，是实证宏观经济学中连接线性代数理论与经济推断的关键桥梁。