Objective Function

目标函数 (Objective Function)

目标函数（Objective Function）是最优化理论与经济分析的基石概念，指决策者在给定约束下追求最大化或最小化的实值函数。它为经济主体的行为提供了统一的数学表述：消费者最大化效用函数，厂商最大化利润或最小化成本，社会计划者最大化社会福利函数。目标函数的选择直接决定了模型的预测方向与规范含义。

数学表述

一般优化问题可写为：

其中 $f: \mathbb{R}^n \to \mathbb{R}$ 为目标函数，$\mathbf{x} \in \mathbb{R}^n$ 为决策变量，$g_i$ 为不等式约束，$h_j$ 为等式约束。若目标函数可微且约束满足适当正则条件，则最优解的一阶必要条件由Karush-Kuhn-Tucker (KKT) 条件刻画。目标函数的凹凸性决定了优化问题的难易程度：凹函数最大化（或凸函数最小化）保证全局最优；非凸目标函数则可能陷入局部极值。

经济学中的经典形式

1. 消费者理论：消费者在预算约束 $p \cdot x \leq w$ 下最大化效用 $U(x_1, \ldots, x_n)$，其中目标函数 $U(\cdot)$ 通常假设为拟凹且单调递增。
2. 厂商理论：完全竞争市场中，厂商以利润 $\pi = p \cdot q - C(q)$ 为目标函数，选择产量 $q$；或在给定产量下以成本函数 $C(w, q)$ 为目标函数最小化要素支出。在垄断市场中，厂商面临向下倾斜的需求曲线，目标函数变为 $\pi(q) = R(q) - C(q)$。
3. 社会计划者问题：在一般均衡与宏观模型中，社会计划者以加权社会总效用 $\sum \lambda_i U_i$ 为目标函数，在资源与技术约束下求解帕累托最优配置。
4. 计量经济学：估计量选择等价于优化某一准则函数——OLS最小化残差平方和，最大似然估计（MLE）最大化对数似然函数，GMM最小化矩条件的加权二次型。

约束条件的角色

目标函数并非孤立存在，它与约束条件共同定义可行决策集。包络定理揭示了目标函数在最优值处对参数的导数仅取决于该参数进入约束的方式，与决策变量的间接调整无关——这一性质在比较静态分析中至关重要。当约束涉及信息不对称时（如激励相容约束与参与约束），目标函数的优化自然导出机制设计的核心权衡。

多目标与权衡

现实决策常涉及多目标函数，如中央银行在菲利普斯曲线框架下权衡通胀缺口与产出缺口。处理方法包括：（1）将多个目标加权组合为单一标量目标函数；（2）将次要目标转化为拉格朗日乘子形式的约束；（3）帕累托前沿方法，寻找不可相互改善的有效边界。在机器学习中，正则化项（如LASSO的 $\ell_1$ 惩罚）可视为在目标函数中显式注入对模型复杂度的惩罚，实现对拟合优度与泛化能力的权衡。

与损失函数的关系

在统计学习与计量经济学中，"目标函数"常与损失函数互换使用，但二者存在细微区别：损失函数 $L(y, \hat{y})$ 度量单个预测的代价，而目标函数通常是损失函数在样本上的聚合（如经验风险），并可能附加正则化项。经济学中的目标函数更具结构性——它直接来自对主体偏好的理论假设，而非纯粹从数据中归纳。