1.4

Expenditure Minimization Problem

        支出最小化问题(EMP):

\min_{x\in\mathbb R_+^K}px\qquad s.t.\quad u(x)\geq u

定义:

        Hicksian需求函数h:\mathbb R_+^K\times \mathbb R_+\rightarrow\mathbb R_+^K定义为:

h(p,u)=\arg\min_{x\in\mathbb R_+^K}px\qquad s.t.\quad u(x)\geq u

定义:

        最小支出函数定义为:

e(p,u)=\min_{x\in\mathbb R_+^K}px\qquad s.t.\quad u(x)\geq u

定理:

        假定效用函数u代表了连续、局部非餍足的偏好关系\succeq,则

    ①\forall p\gg0,w>0,有x(p,w)=h(p,v(p,w)),e(p,v(p,w))=w

    ②\forall p\gg0,u\geq u_0,有h(p,u)=x(p,e(p,u)),v(p,e(p,u))=u


定理:

        支出最小化问题(EMP)和Hicksian需求函数

    ①存在性

        若p\gg0u连续且存在x:u(x)\geq x,则支出最小化问题解存在

    ②齐次性

        Hicksian需求函数对价格为0阶齐次函数,即\forall \lambda\geq0,h(\lambda p,u)=h(p,u)

    ③无过剩效用

        若p\gg0,则u(x)=u,\forall x\in h(p,u)

    ④唯一性

        若u是拟凸的,则h(p,u)是凸集

        若u是严格拟凸的,则h(p,u)是单点集


        e(p,u)有如下性质:

    ①对价格为1阶齐次性,即\forall \lambda\geq0,e(\lambda p,u)=\lambda e(p,u)

    ②对财富w严格递增,对商品价格非减

    ③对价格有凹性

    ④对价格和效用连续


定理:

    ①Shephard引理

        假定e(p,u)连续可微且h(p,u)为单点集,则\frac{\partial e(p,u)}{\partial p_k}=h_k(p,u),\forall k

    ②需求补偿法则

        假定连续效用函数u代表一个局部非餍足的偏好关系\succeq,且h(p,u)为单点集,则

(p^\prime-p)(h(p^\prime,u)-h(p,u))\leq0,\forall p,p^\prime\geq0


Hicksian Decomposition and Slutsky Equation

        由定义,对比Hicksian和Marshallian需求函数:

h(p,u)=\arg\max_{x\in\mathbb R_+^K}px\qquad s.t.\quad u(x)\geq u

x(p,w)=\arg\max_{x\in\mathbb R_+^K}u(x)\qquad s.t.\quad px\leq w

定义:

        当价格p\rightarrow p^\prime,则为保持效用不变的支出补偿量e(p^\prime,u)-e(p,u)称为Hicksian财富补偿 

定理:

        若h(p,u),x(p,w)均为连续可微函数且u=v(p,w),则:

\frac{\partial h_j(p,u)}{\partial p_k}=\frac{\partial x_j(p,w)}{\partial p_k}+\frac{\partial x_j(p,w)}{\partial w}x_k(p,w),\forall j,k

        有矩阵形式:

D_ph(p,u)=D_px(p,w)+D_wx(p,w)x(p,w)^T

Proof:

        注意到h(p,u)=x(p,w)=x(p,e(p,u))

        得\frac{\partial h_j(p,u)}{\partial p_k}=\frac{\partial x_j(p,w)}{\partial p_k}+\frac{\partial x_j(p,w)}{\partial w}\frac{\partial e(p,u)}{\partial p_k},\forall j,k

        且\frac{\partial e(p,u)}{\partial p_k}=h_k(p,u)=x_k(p,w)


        重新组织,得:

\frac{\partial x_j(p,w)}{\partial p_k}=\frac{\partial h_j(p,u)}{\partial p_k}-\frac{\partial x_j(p,w)}{\partial w}x_k(p,w )

    ①总效应(Total Effect, TE)

    ②替代效应(Substitution Effect, SE):固定效用不变,只改变价格

    ③收入效应(Income Effect, IE):固定价格不变,只改变收入


定义:

        Slutsky矩阵:D_ph(p,u)=(\frac{\partial h_i(p,u )}{\partial p_j}) _{n\times n}对称且半负定

        其中\frac{\partial h_j(p,u)}{\partial p_k}=\frac{\partial x_j(p,w)}{\partial p_k}+\frac{\partial x_j(p,w)}{\partial w}x_k(p,w),\forall j,k

Proof:

        注意到\frac{\partial h_j(p,u)}{\partial p_k}=\frac{\partial^2e(p,u)}{\partial p_j\partial p_k}=\frac{\partial^2e(p,u)}{\partial p_k\partial p_j}=\frac{\partial h_k(p,u)}{\partial p_j}


        回忆\frac{\partial x_j(p,w)}{\partial p_k}=\frac{\partial h_j(p,u)}{\partial p_k}-\frac{\partial x_j(p,w)}{\partial w}x_k(p,w )

定义:

    ①正常品(normal good):x_j(p,w)随着w递增

        劣质品(inferior good):x_j(p,w)随着w递减

    ②常规品(regular good):x_j(p,w)随着p_j递减

        吉芬品(Giffen good):x_j(p,w)随着p_j递增

定理:

        正常品一定是常规品,吉芬品一定是劣质品

定义:

    ①净替代:h_j(p,u)随着p_k递增

        净互补:h_j(p,u)随着p_k递减

    ②毛替代:x_j(p,w)随着p_k递增

        毛互补:x_j(p,w)随着p_k递减

©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。