零向量

零向量 (Zero Vector)

零向量（Zero Vector）是线性代数和向量空间理论中最基本的元素之一，指向量空间中满足加法恒等性质的唯一向量，通常记作 $\mathbf{0}$ 或 $\vec{0}$。对于向量空间 $V$ 中的任意向量 $\mathbf{v}$，零向量满足 $\mathbf{v} + \mathbf{0} = \mathbf{v}$。零向量的所有分量均为零：在 $\mathbb{R}^n$ 中，$\mathbf{0} = (0, 0, \ldots, 0)^T$。尽管零向量看似平凡，它却是向量空间公理体系的核心构件，其存在性是向量空间定义的八条公理之一，在线性变换、齐次线性方程组、线性相关与无关以及计量经济学的假设检验中均扮演关键角色。零向量的概念可追溯到十九世纪中叶格拉斯曼（Hermann Grassmann）和皮亚诺（Giuseppe Peano）对抽象向量空间的公理化奠基工作。

定义与唯一性

设 $V$ 是定义在数域 $\mathbb{F}$（通常为 $\mathbb{R}$ 或 $\mathbb{C}$）上的向量空间。零向量 $\mathbf{0} \in V$ 定义为满足下述条件的唯一元素：

在向量空间的公理化定义中，零向量的存在性作为一条独立公理出现，与加法封闭性、结合律、交换律、标量乘法分配律等并列。零向量的唯一性可通过简单的代数操作证明：若存在两个零向量 $\mathbf{0}_1$ 和 $\mathbf{0}_2$，则 $\mathbf{0}_1 = \mathbf{0}_1 + \mathbf{0}_2 = \mathbf{0}_2$，两者必相等。这一证明仅依赖于零向量的定义和向量加法的交换性，不涉及基的选择或任何坐标表示，因此唯一性是向量空间的内在属性。

零向量与标量乘法之间满足两个基本性质：

第一个性质将数域中的加法单位元 $0$ 与向量空间中的加法单位元 $\mathbf{0}$ 联系起来，可通过分配律推导：$0 \cdot \mathbf{v} = (0+0) \cdot \mathbf{v} = 0 \cdot \mathbf{v} + 0 \cdot \mathbf{v}$，两边减去 $0 \cdot \mathbf{v}$ 即得。第二个性质表明零向量在任意标量乘法下保持不变——零向量是标量乘法的吸收元（absorbing element）。此外，若 $k \cdot \mathbf{v} = \mathbf{0}$ 且 $k \neq 0$，则必有 $\mathbf{v} = \mathbf{0}$，这一事实源于标量乘法中 $k^{-1}$ 的存在性。

在实际计算中，判断一个向量是否为零向量通常可以通过计算其范数（Norm）来实现：$\mathbf{v} = \mathbf{0}$ 当且仅当 $\|\mathbf{v}\| = 0$。欧几里得范数 $\|\mathbf{v}\|_2 = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2} = 0$ 意味着所有分量同时为零，这是由平方和的非负性保证的。在数值计算中，由于浮点舍入误差，通常以 $\|\mathbf{v}\| < \varepsilon$（$\varepsilon$ 为预设的小容差）作为判定零向量的实用准则。

线性相关性与基

零向量在线性相关性的判断中占据独特地位。任何一个包含零向量的向量集合 $\{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_k, \mathbf{0}\}$ 必然线性相关，因为可以构造如下非平凡线性组合：

其中零向量自身的系数为 $1 \neq 0$，满足线性相关的定义——存在一组不全为零的系数使线性组合为零向量。这一看似平凡的观察具有深刻的推论：零向量不可能属于任何一组基（Basis），因为基的定义要求其中的向量既张成整个空间又线性无关，而零向量的存在即刻破坏了线性无关性。

仅由零向量构成的子空间 $\{\mathbf{0}\}$ 称为零子空间（Zero Subspace）或平凡子空间（Trivial Subspace），其维数定义为零：$\dim(\{\mathbf{0}\}) = 0$。这是唯一维数为零的向量空间。任何向量空间 $V$ 都包含两个平凡子空间：零子空间 $\{\mathbf{0}\}$ 和 $V$ 自身，其余子空间称为非平凡子空间或真子空间。零子空间的基是空集 $\varnothing$，这一约定使得关于基的诸多公式（如维数公式）在边界情形下依然成立。

齐次线性方程组与零空间

零向量与齐次线性方程组 $A\mathbf{x} = \mathbf{0}$ 密不可分，其中 $A$ 为 $m \times n$ 矩阵。$\mathbf{x} = \mathbf{0}$ 恒为齐次方程组的解，称为平凡解（Trivial Solution）。方程组是否存在非平凡解取决于 $A$ 的秩：当 $\operatorname{rank}(A) < n$（即列不满秩）时，齐次方程组存在无穷多个非零解向量，所有解构成的集合称为 $A$ 的零空间（Null Space）或核（Kernel）：

零空间是 $\mathbb{R}^n$ 的线性子空间，其维数由秩-零化度定理（Rank-Nullity Theorem）精确给出：

该定理揭示了线性变换定义域维数被分解为像空间维数与零空间维数之和这一基本事实，是线性代数中最重要的结构定理之一。在计量经济学中，线性回归模型 $y = X\beta + \varepsilon$ 的普通最小二乘估计量满足正规方程 $X^T X \hat{\beta} = X^T y$，等价于 $X^T(y - X\hat{\beta}) = \mathbf{0}$，即残差向量 $\hat{\varepsilon} = y - X\hat{\beta}$ 与设计矩阵各列正交。这一正交条件正是零向量在投影几何中的体现：残差向量属于 $X^T$ 的零空间，而拟合值 $\hat{y} = X\hat{\beta}$ 属于 $X$ 的列空间，两者正交分解构成总平方和的方差分析基础。

线性变换下的不变性

零向量在任意线性变换 $T: V \to W$ 下保持不变：$T(\mathbf{0}_V) = \mathbf{0}_W$。这是因为：

该性质为判断映射是否为线性变换提供了便捷的必要条件：若 $T(\mathbf{0}) \neq \mathbf{0}$，则 $T$ 一定不是线性变换。所有仿射变换 $T(\mathbf{x}) = A\mathbf{x} + \mathbf{b}$ 当且仅当 $\mathbf{b} = \mathbf{0}$ 时才退化为线性变换，此时才满足零向量的不变性。

线性变换的核 $\ker(T) = \{\mathbf{v} \in V \mid T(\mathbf{v}) = \mathbf{0}_W\}$ 是零向量在 $T$ 下的原像（preimage）集合。$\ker(T)$ 的维数衡量了变换的信息损失程度：$\dim(\ker(T))$ 越大，被映射到零向量的方向越多，变换越"不单射"。当且仅当 $\ker(T) = \{\mathbf{0}_V\}$ 时，$T$ 为单射（injective），此时不同输入必然产生不同输出。在微分方程理论中，线性微分算子 $L$ 的核即为齐次方程 $L[y] = 0$ 的通解空间，其维数等于方程的阶数，零向量对应于恒为零的平凡解。

经济学与计量经济学中的应用

在经济学与计量经济学的多个分支中，零向量作为"无效应"或"原点"的数学表示频繁出现。在假设检验中，联合零假设常表为 $H_0: \beta = \mathbf{0}$，即检验参数向量 $\beta$ 的所有分量是否同时为零，这对应于F检验的核心应用场景。若不能拒绝 $\beta = \mathbf{0}$，则意味着所有解释变量对因变量均无系统性影响。在一般均衡理论中，瓦尔拉斯法则要求超额需求函数 $z(p)$ 满足 $p \cdot z(p) = 0$（计价物归一化后），而均衡价格向量 $p^*$ 进一步满足 $z(p^*) = \mathbf{0}$——所有市场同时出清的条件即超额需求向量的每一个分量均为零。

在动态规划和最优控制中，动态系统的稳态条件通常表示为状态变量的时间导数为零向量：$\dot{\mathbf{x}} = \mathbf{0}$。例如在索洛增长模型中，稳态由 $\dot{k} = 0$（人均资本不再变动）定义；在多变量情形下，相位图分析依赖于零增长线（nullcline）的交点来确定均衡点。在博弈论中，混合策略纳什均衡的条件可表示为每一位参与者的策略偏离收益增量为零向量，均衡本身是一个不动点，所有参与者的最优反应偏离在均衡处恰好为零。此外，在投资组合理论中，马科维茨均值-方差模型的最优权重向量受约束 $\mathbf{w}^T \mathbf{1} = 1$（权重之和为一），拉格朗日乘子法的一阶条件常以梯度为零向量的形式出现。零向量虽形式简单——所有分量归零——却为各领域从"无"出发刻画"有"提供了不可替代的数学基准和逻辑起点。