包絡定理是指 在解目標函數時
一開始都是非最適化的情況
經過一階條件之後 可以解出所有內生變數都是外生變數的函數
此時代回目標函數 可以發現目標函數也是外生變數的函數
此時的目標函數已經是最適化了
這時候如果我們對最適化的目標函數作外生變數的微分
可以發現 其實結果跟在非最適化的時候對外生變數作微分是一樣的
其實就是在做比較靜態分析
一個常用的例子就是短期平均成本跟長期平均成本的關係
短期下SAC是非最適化的情況
長期下廠商一定會尋找一個最適的資本數量來生產 也就是LAC(k*)
此時SAC和LAC必相切
也是就非最適化對外生變數k的偏微
等於最適化對外生變數k的偏微
所以我們可以知道其實 要求解內生變數
可以在非最適化的情況下對外生變數作偏微分
一樣可以得到內生變數
在有限制條件下就叫做Shephard Lemma
無限制條件下就叫做Hotelling Lemma
這是我自己研究之後的個人體會 如果有錯誤請高手不吝指教 謝謝!!
另外關於賴景昌老師的書 在看前要先對微積分有一定的基礎
難度是會有的 但是如果
對於各種函數的偏微全微都很熟的話
其實是不會非常難的
我也是看那本書長大的~~
一起加油吧!!
--
一開始都是非最適化的情況
經過一階條件之後 可以解出所有內生變數都是外生變數的函數
此時代回目標函數 可以發現目標函數也是外生變數的函數
此時的目標函數已經是最適化了
這時候如果我們對最適化的目標函數作外生變數的微分
可以發現 其實結果跟在非最適化的時候對外生變數作微分是一樣的
其實就是在做比較靜態分析
一個常用的例子就是短期平均成本跟長期平均成本的關係
短期下SAC是非最適化的情況
長期下廠商一定會尋找一個最適的資本數量來生產 也就是LAC(k*)
此時SAC和LAC必相切
也是就非最適化對外生變數k的偏微
等於最適化對外生變數k的偏微
所以我們可以知道其實 要求解內生變數
可以在非最適化的情況下對外生變數作偏微分
一樣可以得到內生變數
在有限制條件下就叫做Shephard Lemma
無限制條件下就叫做Hotelling Lemma
這是我自己研究之後的個人體會 如果有錯誤請高手不吝指教 謝謝!!
另外關於賴景昌老師的書 在看前要先對微積分有一定的基礎
難度是會有的 但是如果
對於各種函數的偏微全微都很熟的話
其實是不會非常難的
我也是看那本書長大的~~
一起加油吧!!
--
All Comments