多元向量微积分与斯勒茨基替代矩阵严格推导
引言：为什么需要向量微积分？
简而言之，标量（Scalar）是只有大小的单一度量数值（如财富、效用或单一商品价格），而向量（Vector）则是具有确定维度与次序的多元数组（如包含 \(L\) 种商品的消费组合或价格向量）。
在初级微观经济学中，分析通常局限在单一商品市场，需求量仅是自身价格的单变量函数，边际分析只需普通的标量导数 \(\frac{dx}{dp}\)。但在多商品体系中，消费者面对包含 \(L\) 种商品的消费篮子：任一商品价格的变动，都会通过替代与收入渠道同时影响所有商品的需求；财富的增减也会在不同商品间重新分配。
引入向量与矩阵微积分，是为了将交织在一起的多元微分关系组织为紧凑、严密的数学对象。只要理清基础运算规则与维度原则，高维需求分析与斯勒茨基矩阵的推导就会变得清晰自然。
一、 交通规则：向量运算的约定俗成与维度原则
1.1 默认基准：一切皆为列向量
在现代微观经济学与矩阵分析中，除非特别说明，所有的经济向量（消费束 \(x\)、价格向量 \(p\) 等）一律默认为 \(L \times 1\) 的列向量（Column Vector）。例如消费束 \(x\) 与价格向量 \(p\)：
\[ x = \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_L \end{pmatrix}_{L \times 1}, \qquad p = \begin{pmatrix} p_1 \\ p_2 \\ \vdots \\ p_L \end{pmatrix}_{L \times 1} \]
转置符号 \((\cdot)^T\) 是将“列向量”转化为 \(1 \times L\)“行向量”的唯一标准操作：
\[ x^T = \begin{pmatrix} x_1 & x_2 & \cdots & x_L \end{pmatrix}_{1 \times L} \]
两个 \(L \times 1\) 的列向量 \(u\) 和 \(v\)，在标准矩阵乘法规则下不能直接并排相乘，因为内侧维度不匹配：\((L \times 1) \times (L \times 1)\) 在代数上是未定义的！必须对其中一个向量进行转置（Transpose）。
1.2 内积 vs 外积：转置位置决定维度命运
转置符号放在左边还是右边，决定了计算结果是标量还是方阵：
| 运算名称 | 标准代数形式 | 维度运算过程 | 结果形态 | 典型经济学场景 |
|---|---|---|---|---|
| 内积（点积） | \(u^T v\) 或 \(u \cdot v\) | \((1 \times L)(L \times 1) \to 1\) | 标量 (Scalar) | • 预算总支出：\(p^T x = w\) • 补偿需求定律：\(dp \cdot dx \le 0\) • 恩格尔加总：\(p \cdot D_w x = 1\) |
| 外积（张量积） | \(u v^T\) | \((L \times 1)(1 \times L) \to L \times L\) | 矩阵 (Matrix) | • 斯勒茨基收入效应矩阵： \(D_w x(p,w) \, x(p,w)^T\) |
① 内积（点积）：左转置，行乘列 \(\to\) 标量（总量记账）
\[ u^T v = u \cdot v = \begin{pmatrix} u_1 & u_2 & \cdots & u_L \end{pmatrix}_{1 \times L} \begin{pmatrix} v_1 \\ v_2 \\ \vdots \\ v_L \end{pmatrix}_{L \times 1} = \sum_{l=1}^L u_l v_l \quad \in \mathbb{R} \]
② 外积（张量积）：右转置，列乘行 \(\to\) 矩阵（结构联动）
\[ u v^T = \begin{pmatrix} u_1 \\ u_2 \\ \vdots \\ u_L \end{pmatrix}_{L \times 1} \begin{pmatrix} v_1 & v_2 & \cdots & v_L \end{pmatrix}_{1 \times L} = \begin{pmatrix} u_1 v_1 & u_1 v_2 & \cdots & u_1 v_L \\ u_2 v_1 & u_2 v_2 & \cdots & u_2 v_L \\ \vdots & \vdots & \ddots & \vdots \\ u_L v_1 & u_L v_2 & \cdots & u_L v_L \end{pmatrix}_{L \times L} \in \mathbb{R}^{L \times L} \]
- 代数性质：外积矩阵的秩（Rank）恒等于 1。每一列都与列向量 \(u\) 成比例，比例系数由行向量 \(v^T\) 的各元素给出。
- 经济学应用：后文斯勒茨基方程中的收入效应矩阵 \(D_w x(p,w) \, x(p,w)^T\) 正是列向量与行向量的外积形式，它将一维的财富变动映射为多商品需求调整。
二、 矩阵微分体系：梯度、雅可比矩阵与海塞矩阵
掌握了向量的乘法维度后，我们建立清晰的多元导数阶梯：
2.1 标量对向量求导：梯度 \(\nabla\) 与 导数算子 \(D\)
设效用函数 \(u: \mathbb{R}^L \to \mathbb{R}\)，商品向量 \(x \in \mathbb{R}^L\)：
- 梯度（Gradient）\(\nabla u(x)\)：按现代分析惯例定义为 \(L \times 1\) 列向量，几何上垂直于无差异曲面，指向效用上升最快的方向：
\[ \nabla u(x) = \begin{pmatrix} \dfrac{\partial u}{\partial x_1} \\[6pt] \dfrac{\partial u}{\partial x_2} \\[6pt] \vdots \\[6pt] \dfrac{\partial u}{\partial x_L} \end{pmatrix}_{L \times 1} \]
- 全微分/导数算子 \(Du(x)\)：定义为 \(1 \times L\) 行向量，是梯度的转置：
\[ Du(x) = (\nabla u(x))^T = \begin{pmatrix} \dfrac{\partial u}{\partial x_1} & \dfrac{\partial u}{\partial x_2} & \cdots & \dfrac{\partial u}{\partial x_L} \end{pmatrix}_{1 \times L} \]
全微分公式因此满足“行乘列出标量”的铁律：\(du = Du \cdot dx = (\nabla u)^T dx = \nabla u \cdot dx\)。
1. 几何直观图解
下图展示了二维商品空间 \((x_1, x_2)\) 中凸偏好的无差异曲线（向原点凸、斜率为负）、切向量与梯度的几何关系：
2. 直观证明：为什么梯度垂直于无差异曲面？
在无差异曲面 \(u(x) = \bar{u}\) 上，效用水平保持不变。当消费束沿曲面切线方向发生微小变动 \(dx\) 时，一阶全微分必然为零： \[du = \nabla u(x) \cdot dx = 0\] 根据向量内积性质，两非零向量内积为零等价于它们在几何上互相正交。由于切向量 \(dx\) 可以是切平面上的任意方向，这直接说明：效用函数的梯度向量 \(\nabla u(x)\) 严格垂直于无差异曲面的切平面，是该曲面的法向量。
3. 直观证明：为什么梯度指向最速上升方向？（兼论与“梯度下降”的对应）
自点 \(x_0\) 沿任意单位方向 \(w\)（满足 \(\|w\| = 1\)）移动时，效用的瞬时边际变化率由方向导数给出： \[ \begin{aligned} D_w u(x_0) &= \nabla u(x_0) \cdot w \\ &= \|\nabla u(x_0)\| \|w\| \cos \theta = \|\nabla u(x_0)\| \cos \theta \end{aligned} \] 其中 \(\theta \in [0, \pi]\) 为移动方向 \(w\) 与梯度 \(\nabla u(x_0)\) 的夹角（\(-1 \le \cos\theta \le 1\)）： * 最速上升（\(\theta = 0\)）：当移动方向与梯度完全同向（\(\cos\theta = 1\)）时，方向导数达到理论最大值 \(\|\nabla u(x_0)\|\)。因此，梯度向量所指的方向正是效用增长最陡峭的方向，模长即最大增长率； * 最速下降（\(\theta = \pi\)）：当沿梯度的反方向 \(-\nabla u(x_0)\) 移动时，\(\cos\theta = -1\)，效用下降最快。在数值计算与机器学习中，求解目标函数极小化时沿负梯度逐步搜索更新的核心算法，正是著名的“梯度下降（Gradient Descent）”；而在消费者效用最大化问题中，沿梯度正方向攀登正是效用增加最快的最优轨迹； * 效用不变（\(\theta = \frac{\pi}{2}\)）：当垂直于梯度（即沿切线移动）时，\(\cos\theta = 0\)，瞬时效用变动为零。
2.2 向量对标量求导：边际变动向量
瓦尔拉斯需求函数 \(x(p,w) \in \mathbb{R}^L\) 对标量财富 \(w \in \mathbb{R}\) 求导：因变量有 \(L\) 个，自变量只有 1 个，导数自然排成 \(L \times 1\) 列向量：
\[ D_w x(p,w) = \frac{\partial x(p,w)}{\partial w} = \begin{pmatrix} \dfrac{\partial x_1(p,w)}{\partial w} \\[6pt] \dfrac{\partial x_2(p,w)}{\partial w} \\[6pt] \vdots \\[6pt] \dfrac{\partial x_L(p,w)}{\partial w} \end{pmatrix}_{L \times 1} \]
几何上，它表示财富增加 1 单位时，消费束在商品空间中移动的切向量（财富扩张路径切线）。
2.3 向量对向量求导：雅可比矩阵（Jacobian Matrix）
需求函数 \(x(p,w) \in \mathbb{R}^L\) 对价格向量 \(p \in \mathbb{R}^L\) 求导：因变量 \(L\) 个，自变量 \(L\) 个，形成 \(L \times L\) 的价格导数方阵：
\[ D_p x(p,w) = \begin{pmatrix} \dfrac{\partial x_1}{\partial p_1} & \dfrac{\partial x_1}{\partial p_2} & \cdots & \dfrac{\partial x_1}{\partial p_L} \\[6pt] \dfrac{\partial x_2}{\partial p_1} & \dfrac{\partial x_2}{\partial p_2} & \cdots & \dfrac{\partial x_2}{\partial p_L} \\[6pt] \vdots & \vdots & \ddots & \vdots \\[6pt] \dfrac{\partial x_L}{\partial p_1} & \dfrac{\partial x_L}{\partial p_2} & \cdots & \dfrac{\partial x_L}{\partial p_L} \end{pmatrix}_{L \times L} \]
其中第 \(i\) 行第 \(j\) 列的元素是 \(\frac{\partial x_i(p,w)}{\partial p_j}\)（商品 \(i\) 的需求对商品 \(j\) 价格的偏导数）。
2.4 标量对向量求二阶导：海塞矩阵（Hessian Matrix）与 Young 定理
对标量函数（如效用函数 \(u(x)\) 或支出函数 \(e(p,u)\)）连续求导两次，得到 \(L \times L\) 方阵：
\[ D^2 u(x) = \nabla^2 u(x) = \begin{pmatrix} \dfrac{\partial^2 u}{\partial x_1^2} & \dfrac{\partial^2 u}{\partial x_1 \partial x_2} & \cdots & \dfrac{\partial^2 u}{\partial x_1 \partial x_L} \\[6pt] \dfrac{\partial^2 u}{\partial x_2 \partial x_1} & \dfrac{\partial^2 u}{\partial x_2^2} & \cdots & \dfrac{\partial^2 u}{\partial x_2 \partial x_L} \\[6pt] \vdots & \vdots & \ddots & \vdots \\[6pt] \dfrac{\partial^2 u}{\partial x_L \partial x_1} & \dfrac{\partial^2 u}{\partial x_L \partial x_2} & \cdots & \dfrac{\partial^2 u}{\partial x_L^2} \end{pmatrix}_{L \times L} \]
根据杨氏定理（Young 定理 / 交叉偏导数判别法）：只要函数二次连续可微，混合偏导与求导顺序无关（\(\frac{\partial^2 u}{\partial x_i \partial x_j} = \frac{\partial^2 u}{\partial x_j \partial x_i}\)），海塞矩阵必定是对称矩阵： \[ D^2 u = (D^2 u)^T \]
面对雅可比矩阵 \(D_p x(p,w)\)，展开方向取决于分析视角：
按行展开（固定因变量 / 单一商品视角）： 固定商品 \(l\)，扫描所有价格变量。第 \(l\) 行即该商品需求函数的梯度转置 \((\nabla_p x_l)^T\)（行向量），反映全市场价格变动对单个商品需求的影响： \[ \text{第 } l \text{ 行} = \begin{pmatrix} \dfrac{\partial x_l}{\partial p_1} & \dfrac{\partial x_l}{\partial p_2} & \cdots & \dfrac{\partial x_l}{\partial p_L} \end{pmatrix}_{1 \times L} \]
按列展开（固定自变量 / 单一价格视角）： 固定价格 \(p_k\)，扫描所有商品需求。第 \(k\) 列即需求向量对该价格的偏导向量 \(\frac{\partial x}{\partial p_k}\)（列向量），反映单一价格变动对整个消费篮子的联动扰动： \[ \text{第 } k \text{ 列} = \begin{pmatrix} \dfrac{\partial x_1}{\partial p_k} \\[6pt] \vdots \\[6pt] \dfrac{\partial x_L}{\partial p_k} \end{pmatrix}_{L \times 1} \]
三、 深度推导实战一：拉格朗日乘子 \(\lambda\) 与内积链式法则
目标：求解消费者财富 \(w\) 发生边际变动时对最大化效用的影响，即全导数 \(\frac{d}{dw} u(x(p,w))\)。
第一步：多变量链式法则（标量展开）
效用通过需求向量间接受到财富影响，由多元微积分链式法则： \[ \frac{d}{dw} u\big(x(p,w)\big) = \sum_{l=1}^L \frac{\partial u}{\partial x_l} \frac{\partial x_l(p,w)}{\partial w} \]
第二步：转换为向量内积
这正是效用梯度向量与财富导数向量的内积： \[ \frac{d}{dw} u\big(x(p,w)\big) = \nabla u(x(p,w)) \cdot D_w x(p,w) \] 维度核验：\((\nabla u)^T D_w x \to (1 \times L)(L \times 1) = 1 \times 1\)（标量），完全自洽。
第三步：代入最优一阶条件（FOC）
在效用最大化问题（UMP）的内点最优解处，梯度与价格向量平行：\(\nabla u(x^*) = \lambda p\)。代入得： \[ \nabla u(x(p,w)) \cdot D_w x(p,w) = (\lambda p) \cdot D_w x(p,w) = \lambda \big[ p \cdot D_w x(p,w) \big] \]
第四步：利用瓦尔拉斯法则对财富求导（恩格尔加总）
由局部非饱和性（LNS），预算约束必然取等号：\(p \cdot x(p,w) = \sum_{l=1}^L p_l x_l(p,w) = w\)。两边对标量 \(w\) 微分： \[ \frac{d}{dw} [p \cdot x(p,w)] = p \cdot D_w x(p,w) = \sum_{l=1}^L p_l \frac{\partial x_l(p,w)}{\partial w} = \frac{dw}{dw} = 1 \] 这就是著名的恩格尔加总条件（Engel Aggregation）：额外增加 1 块钱财富，分配到所有商品上的边际支出增量之和严格等于 1。
第五步：得出最终结论
\[ \frac{dv(p,w)}{dw} = \lambda \underbrace{\big[ p \cdot D_w x(p,w) \big]}_{= 1} = \lambda \]
拉格朗日乘子 \(\lambda\) 恒等于间接效用函数对财富的边际导数，即财富的影子价格（Shadow Price of Wealth）。它衡量每增加 1 单位财富所能换取的效用增量。
四、 深度推导实战二：斯勒茨基矩阵与收入效应外积的代数重组
4.1 出发点：微分版补偿需求定律
由显示偏好弱公理（WARP）可知，在斯勒茨基财富补偿下，价格变动与需求变动必然反向：\(\Delta p \cdot \Delta x \le 0\)。在可微极限下即为微分版补偿需求定律： \[ dp \cdot dx \le 0 \quad (\text{即 } dp^T dx \le 0) \]
4.2 第一步：马歇尔需求的全微分
需求受价格与财富共同驱动，全微分展开为： \[ dx = D_p x(p,w) dp + D_w x(p,w) dw \] 维度核验：\(dx (L \times 1) = [D_p x (L \times L)] [dp (L \times 1)] + [D_w x (L \times 1)] [dw (1 \times 1)]\)。
4.3 第二步：斯勒茨基财富补偿准则
斯勒茨基补偿要求维持原购买力不变（变价后刚好仍买得起原消费束）： \[ \Delta w = \Delta p \cdot x(p,w) \implies dw = x(p,w) \cdot dp = x(p,w)^T dp \quad (1 \times 1 \text{ 标量}) \]
4.4 第三步：代数重组与外积矩阵的成形
将标量补偿 \(dw\) 代入全微分式： \[ dx = D_p x(p,w) dp + D_w x(p,w) \underbrace{\big[ x(p,w)^T dp \big]}_{\text{标量}} \] 由于方括号内是标量，由矩阵乘法结合律，列向量乘以标量等价于列向量与行向量先做外积，再乘以价格变动列向量 \(dp\)： \[ D_w x(p,w) \big[ x(p,w)^T dp \big] = \big[ \underbrace{D_w x(p,w) \, x(p,w)^T}_{L \times L \text{ 阶外积矩阵}} \big] dp \] 将公因子 \(dp\) 提取到括号外，将混合形式彻底统一为矩阵乘法： \[ dx = \Big[ D_p x(p,w) + D_w x(p,w) x(p,w)^T \Big] dp \]
4.5 第四步：定义斯勒茨基矩阵与斯勒茨基方程
方括号中的 \(L \times L\) 方阵即为斯勒茨基替代矩阵（Slutsky Substitution Matrix）：
\[ \boxed{S(p,w) \equiv D_p x(p,w) + D_w x(p,w) \, x(p,w)^T} \]
将未补偿需求的价格导数矩阵单独移至等式左端，即得到斯勒茨基方程（Slutsky Equation）的标准矩阵形式：
\[ \boxed{D_p x(p,w) = S(p,w) - D_w x(p,w) \, x(p,w)^T} \]
写成第 \(l\) 行第 \(k\) 列的分量标量形式：
\[ \underbrace{\frac{\partial x_l(p,w)}{\partial p_k}}_{\text{总价格效应 (TE)}} = \underbrace{s_{lk}(p,w)}_{\text{替代效应 (SE)}} - \underbrace{\frac{\partial x_l(p,w)}{\partial w} x_k(p,w)}_{\text{收入效应 (IE)}} \]
斯勒茨基方程清晰揭示了价格变动对商品需求影响的内在双重机制：
- 替代效应（\(s_{lk}\)）： 在维持消费者实际购买力或效用水平不变时，纯粹由于相对价格改变诱发的需求调整。
- 自身替代效应（\(l = k\)）：由补偿需求定律知 \(s_{ll} \le 0\)，商品相对价格上涨必然诱导消费者减少该商品消费、转向其他相对便宜的替代品。
- 交叉替代效应（\(l \ne k\)）：若 \(s_{lk} > 0\)，说明商品 \(k\) 涨价会促使消费者多买商品 \(l\)，两者为净替代品（Net Substitutes）；若 \(s_{lk} < 0\)，则为净互补品（Net Complements）。
- 收入效应（\(-\frac{\partial x_l}{\partial w} x_k\)）： 商品 \(k\) 价格变动直接影响消费者的实际购买力预算：
- 价格敞口 \(x_k\)：基期购买量 \(x_k\) 充当了购买力受损的敏感度敞口。当价格上升 \(dp_k\) 时，维持原消费束需要额外花费 \(x_k dp_k\)，因此基期消费量越大的商品，价格变动对实际预算造成的冲击越剧烈。
- 分配机制 \(\frac{\partial x_l}{\partial w}\)：购买力发生变动后，消费者依据各商品的财富边际消费倾向，在全市场所有商品间重新分配支出。
- 负号的直觉与商品分类：价格上涨导致实际购买力下降（\(\Delta \text{实际财富} \approx -x_k dp_k\)），因此公式中带有负号。若商品 \(l\) 为正常品（\(\frac{\partial x_l}{\partial w} > 0\)），价格上涨使实际财富缩水，进而压低需求，收入效应与替代效应同向强化；若为劣等品（\(\frac{\partial x_l}{\partial w} < 0\)），财富缩水反而刺激需求，收入效应与替代效应相互对冲；当极端劣等品的收入效应在绝对值上压倒替代效应时，便会出现总需求随价格上涨的反常现象，即吉芬品（Giffen Good）。
- 非对称性的来源： 未补偿的价格导数矩阵 \(D_p x(p,w)\) 通常不对称（\(\frac{\partial x_l}{\partial p_k} \neq \frac{\partial x_k}{\partial p_l}\)），因为两商品的初始购买量与财富边际消费倾向通常不同，导致两方向的收入效应不相等；而纯替代效应矩阵 \(S(p,w)\) 则是严格对称的。
五、 矩阵性质剖析：支出函数凹性、负半定与对称性
在现代微观经济学中，探究斯勒茨基矩阵性质最直接、严密的高维路径，是借助对偶理论中的支出函数（Expenditure Function）。
5.1 支出函数关于价格的凹性证明
支出函数定义为达到给定效用水平 \(u\) 所需的最小支出总额： \[ e(p, u) \equiv \min_{x \ge 0} \{ p \cdot x \mid u(x) \ge u \} \]
证明：
任取两个任意价格向量 \(p^1, p^2 \in \mathbb{R}_{++}^L\) 以及权重标量 \(\lambda \in [0, 1]\)，构造两价格的凸组合： \[p^\lambda = \lambda p^1 + (1 - \lambda) p^2\] 设 \(x^\lambda\) 是在价格 \(p^\lambda\) 下达到效用约束 \(u(x) \ge u\) 的成本最小化消费束（即希克斯需求），满足： \[e(p^\lambda, u) = p^\lambda \cdot x^\lambda \qquad \text{且} \qquad u(x^\lambda) \ge u\] 由于 \(x^\lambda\) 满足效用约束 \(u(x^\lambda) \ge u\)，因此它在价格 \(p^1\) 和 \(p^2\) 的支出最小化问题中都是可行消费束。根据支出函数作为“极小化值”的定义，最优支出不会超过任何可行消费束的支出： \[e(p^1, u) \le p^1 \cdot x^\lambda, \qquad e(p^2, u) \le p^2 \cdot x^\lambda\] 两边分别乘以非负权重 \(\lambda\) 与 \((1 - \lambda)\) 并相加： \[
\begin{aligned}
\lambda e(p^1, u) + (1 - \lambda) e(p^2, u) &\le \lambda (p^1 \cdot x^\lambda) + (1 - \lambda) (p^2 \cdot x^\lambda) \\
&= \big[ \lambda p^1 + (1 - \lambda) p^2 \big] \cdot x^\lambda \\
&= p^\lambda \cdot x^\lambda = e(p^\lambda, u)
\end{aligned}
\] 即： \[
\boxed{e\big(\lambda p^1 + (1 - \lambda) p^2, u\big) \ge \lambda e(p^1, u) + (1 - \lambda) e(p^2, u)}
\] 这严格证明了：支出函数 \(e(p, u)\) 关于价格向量 \(p\) 必为凹函数。 \(\blacksquare\)
直觉理解：当商品价格发生变动时，消费者可以灵活调整消费结构（用相对便宜的商品替代昂贵的商品），从而平抑总支出的上升幅度。因此，支出函数增长率随价格递减，呈现出凹函数的特征。
5.2 支出函数海塞矩阵的负半定性与替代效应非正
由多元微积分性质可知，二次连续可微函数为凹函数，当且仅当其二阶导数矩阵（海塞矩阵）处处为负半定矩阵（Negative Semidefinite, NSD）。因此： \[ v^T D_p^2 e(p, u) v \le 0, \qquad \forall v \in \mathbb{R}^L \]
根据谢泼德引理（Shephard’s Lemma），希克斯需求函数等于支出函数关于价格的一阶梯度向量： \[ h(p, u) = \nabla_p e(p, u) \] 对希克斯需求函数再次关于价格求导，得到希克斯需求的价格雅可比矩阵，它恰好等于支出函数关于价格的海塞矩阵： \[ D_p h(p, u) = D_p^2 e(p, u) \] 由对偶恒等关系 \(h(p, v(p, w)) \equiv x(p, w)\)，在效用水平满足 \(u = v(p, w)\) 时，希克斯需求价格导数与马歇尔需求导数满足： \[ D_p h(p, u) = D_p x(p, w) + D_w x(p, w) \, x(p, w)^T = S(p, w) \] 因此，斯勒茨基矩阵在本质上就是支出函数的海塞矩阵： \[ \boxed{S(p, w) = D_p h(p, u) = D_p^2 e(p, u) \Big|_{u = v(p, w)}} \]
结论：支出函数的凹性直接保证了其海塞矩阵负半定，从而斯勒茨基替代矩阵 \(S(p, w)\) 必然负半定： \[ dp^T S(p, w) dp \le 0, \qquad \forall dp \in \mathbb{R}^L \]
推论：自身替代效应必然非正
取标准基向量 \(e_l = (0, \dots, 1, \dots, 0)^T\) 代入二次型： \[ e_l^T S(p, w) e_l = s_{ll}(p, w) \le 0 \] 这说明主对角线元素处处非正，即任何商品的纯自身替代效应必然非正（补偿需求定律）。
5.3 依据 Young 定理直接确立对称性
在连续效用函数假定下，支出函数 \(e(p, u)\) 在价格空间中二次连续可微。
根据多元微积分中的杨氏定理（Young’s Theorem / 偏导数交换律）：二次连续可微函数的二阶混合偏导数与求导次序无关： \[ \frac{\partial^2 e(p, u)}{\partial p_i \partial p_j} = \frac{\partial^2 e(p, u)}{\partial p_j \partial p_i}, \qquad \forall i, j = 1, \dots, L \] 结合谢泼德引理 \(\frac{\partial e}{\partial p_i} = h_i(p, u)\)，立即得到希克斯需求交叉价格导数相等： \[ \frac{\partial h_i(p, u)}{\partial p_j} = \frac{\partial h_j(p, u)}{\partial p_i} \] 这表明海塞矩阵天然是对称矩阵：\(D_p^2 e(p, u) = \big(D_p^2 e(p, u)\big)^T\)。
由于斯勒茨基替代矩阵恒等于支出函数海塞矩阵，我们直接得出： \[ \boxed{S(p, w) = S(p, w)^T \iff s_{lk}(p, w) = s_{kl}(p, w)} \] 结论：商品 \(l\) 对价格 \(p_k\) 的替代效应严格等于商品 \(k\) 对价格 \(p_l\) 的替代效应。无需引入复杂的可积性理论，借助对偶理论与 Young 定理即可一步确立对称性。 \(\blacksquare\)
5.4 齐次性与讲义核心恒等式证明：\(D_p h(p, u) \, p = 0\)
在微观经济学讲义中，希克斯需求的价格导数矩阵具有重要的零齐次性质：
\[ \boxed{D_p h(p, u) \, p = 0_{L \times 1}} \] 分量展开形式为： \[ \sum_{k=1}^L \frac{\partial h_l(p, u)}{\partial p_k} p_k = 0, \qquad \forall l = 1, \dots, L \]
第一步：确立希克斯需求的 0 阶齐次性
考虑支出最小化问题（EMP）： \[
\min_{x \ge 0} (\alpha p) \cdot x \quad \text{s.t. } u(x) \ge u \qquad (\alpha > 0)
\] 由于标量因子 \(\alpha > 0\) 可以提出到极小化算子之外：\(\min_x (\alpha p \cdot x) = \alpha \min_x (p \cdot x)\)。目标函数同比例缩放不改变使得支出最小的最优消费束选择。因此，价格同比例缩放时希克斯需求保持不变： \[
h(\alpha p, u) \equiv h(p, u), \qquad \forall \alpha > 0
\] 即希克斯需求函数 \(h(p, u)\) 关于价格向量 \(p\) 是 0 阶齐次（Homogeneous of Degree 0） 的。
第二步：应用欧拉齐次函数定理（Euler’s Theorem）求导
对恒等式 \(h(\alpha p, u) = h(p, u)\) 两端关于标量 \(\alpha\) 求导。左边由多元微积分链式法则展开： \[
\frac{d}{d\alpha} h(\alpha p, u) = D_p h(\alpha p, u) \cdot \frac{d(\alpha p)}{d\alpha} = D_p h(\alpha p, u) \cdot p
\] 而右边 \(h(p, u)\) 中不包含参数 \(\alpha\)，导数恒为零： \[
\frac{d}{d\alpha} h(p, u) = 0
\] 令 \(\alpha = 1\)，立即证得： \[
\boxed{D_p h(p, u) \, p = 0}
\] 由于矩阵具有对称性 \(D_p h = (D_p h)^T\)，两端取转置同样成立： \[
p^T D_p h(p, u) = 0_{1 \times L}
\] \(\blacksquare\)
经济学与代数含义
- 经济学含义：所有商品价格同比例上升（\(dp = \alpha p\)）时，商品间的相对价格比率完全没有变动，因此纯替代效应精确为零（\(dx^{\text{comp}} = D_p h \cdot dp = 0\)）。
- 特征值与代数含义：等式 \(S(p,w) p = D_p h(p,u) p = 0\) 表明，价格向量 \(p\) 是替代矩阵 \(S\) 对应特征值为 0 的特征向量（\(p\) 位于矩阵的零空间内）。
- 二次型取等号的平坦方向：沿价格向量方向，二次型精确为零： \[p^T S(p, w) p = 0\] 这在代数上直接证实：替代矩阵 \(S\) 必然是负半定的，其秩至多为 \(L - 1\)，绝不可能是严格负定矩阵。
六、 核心公式与概念速查表（Cheat Sheet）
| 数学对象 | 符号 | 维度 | 代数特点 / 展开规则 | 在微观需求理论中的身份 |
|---|---|---|---|---|
| 消费束 / 价格 | \(x, p\) | \(L \times 1\) | 约定俗成的默认列向量 | 各商品的消费数量 / 市场价格（列向量） |
| 总支出（内积） | \(p^T x = p \cdot x\) | \(1 \times 1\) | 行乘列出标量，体现总量记账 | 购买消费束所花费的总财富（标量 \(w\)） |
| 效用梯度 | \(\nabla u(x)\) | \(L \times 1\) | 边际效用排成列向量，切平面法向 | 最速上升方向，内点满足 \(\nabla u = \lambda p\) |
| 全微分算子 | \(Du(x)\) | \(1 \times L\) | 梯度的转置：\((\nabla u)^T\) | 全微分：\(du = Du \cdot dx = \nabla u \cdot dx\) |
| 财富导数 | \(D_w x(p,w)\) | \(L \times 1\) | 边际消费倾向排成列向量 | 财富扩张路径的切向量 |
| 恩格尔加总 | \(p \cdot D_w x = 1\) | \(1 \times 1\) | 预算约束对财富微分，结果恒为 1 | 额外 1 元财富分配到各商品的增量和为 1 |
| 价格雅可比 | \(D_p x(p,w)\) | \(L \times L\) | 按行：单个商品面对所有价格 按列：单个价格牵动所有商品 |
非补偿价格效应矩阵（包含替代与收入双重效应） |
| 财富效应项（外积） | \(D_w x \, x^T\) | \(L \times L\) | 列乘行，秩为 1 的外积方阵 | 收入效应矩阵，\((D_w x \, x^T)_{lk} = \frac{\partial x_l}{\partial w} x_k\) |
| 替代矩阵 / 斯勒茨基矩阵 | \(S(p,w)\) | \(L \times L\) | \(S = D_p x + D_w x \, x^T\) | 纯替代效应矩阵，微观分量为 \(s_{lk}\) |
| 支出海塞矩阵 | \(D_p^2 e(p,u)\) | \(L \times L\) | 支出函数对价格的二阶导，Young 定理 | 恒等于 \(S(p,w)\)，天然对称且负半定 |
| 希克斯价格导数 / 齐次性 | \(D_p h(p,u)\) | \(L \times L\) | 满足 \(D_p h \, p = 0\)，秩至多 \(L-1\) | 纯替代矩阵，同比例变价纯替代为 0 |
| 二次型 | \(v^T S v\) | \(1 \times 1\) | 任意非零向量 \(v\) 夹击方阵 | 衡量曲率与方向，\(v^T S v \le 0\)（负半定） |