You need to enable JavaScript to run this app.
优惠活动
大模型
产品
解决方案
定价
更多

针对2个Endogenous Variables的Total Differential推导结果的疑问

针对2个Endogenous Variables的Total Differential推导结果的疑问

嘿,我来帮你拆解清楚这个推导逻辑,其实核心就是用隐函数定理来处理第二个等式的关系,咱们一步步来:

第一步:把第二个式子看成关于p和θ的隐函数

你的第二个式子是一个隐函数 ( F(p, \theta) = 0 ),具体写出来就是:
( F(p, \theta) = (1 - \beta)(p - z) - \beta c\theta - \frac{(r + \lambda)c}{q(\theta)} = 0 )
这里p和θ是内生变量,z、β、c、r、λ都是外生参数,q(θ)是θ的函数(通常在这类模型里,q(θ)是θ的增函数,也就是 ( q'(\theta) > 0 ),这个性质是关键)。

第二步:对隐函数两边关于p求导(用链式法则)

因为θ是p的函数(p变化会带动θ变化,满足F(p,θ)=0),所以对F(p,θ)=0两边关于p求全导:

  • 第一项 ( (1 - \beta)(p - z) ) 对p求导:结果是 ( (1 - \beta) )(z是外生变量,导数为0)
  • 第二项 ( -\beta c\theta ) 对p求导:结果是 ( -\beta c \cdot \frac{d\theta}{dp} )(θ是p的函数,链式法则)
  • 第三项 ( -\frac{(r + \lambda)c}{q(\theta)} ) 对p求导:先转化为 ( -(r+\lambda)c \cdot q(\theta)^{-1} ),用链式法则得 ( \frac{(r+\lambda)c \cdot q'(\theta)}{[q(\theta)]^2} \cdot \frac{d\theta}{dp} )

把这些项加起来等于0(因为F(p,θ)=0的导数是0):

(1 - β) - βc·(dθ/dp) + (r+λ)c·q'(θ)/[q(θ)]²·(dθ/dp) = 0

第三步:整理式子求解 ( \frac{d\theta}{dp} ) 的符号

把含 ( \frac{d\theta}{dp} ) 的项移到等式右边,其他项移到左边:

(1 - β) = [βc - (r+λ)c·q'(θ)/[q(θ)]²]·(dθ/dp)

提取公因子c:

(1 - β) = c·[β - (r+λ)·q'(θ)/[q(θ)]²]·(dθ/dp)

现在看符号:

  • 左边 ( (1 - β) ):通常β是0到1之间的参数(比如贴现因子),所以左边为正
  • c是成本,肯定为正
  • 括号里的 ( [β - (r+λ)·q'(θ)/[q(θ)]²] ):因为q'(θ)>0,这类模型的设定会保证这个括号为正(否则结论会反过来)

所以两边都是正数,那么 ( \frac{d\theta}{dp} = \frac{(1 - β)}{c·[β - (r+λ)·q'(θ)/[q(θ)]²]} > 0 ),这就得到了题目里的 ( \frac{\partial \theta}{\partial p} > 0 )。

第四步:推导 ( \frac{\partial u}{\partial p} < 0 )

再看u的表达式:( u = \frac{\lambda}{\lambda + \theta q(\theta)} ),我们用链式法则把u对p求导:

∂u/∂p = (du/dθ) · (dθ/dp)

先算 ( du/dθ ):对θ求导,用链式法则可得:

du/dθ = -λ·[q(θ) + θ q'(θ)] / [λ + θ q(θ)]²

分子里q(θ)和q'(θ)都是正数,θ也是正数,所以整个分子是正的,前面有负号,因此 ( du/dθ < 0 )。

我们已经知道 ( dθ/dp > 0 ),负的数乘以正的数结果为负,所以 ( \frac{\partial u}{\partial p} < 0 ),正好符合题目里的结论。

备注:内容来源于stack exchange,提问作者asdf1234

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.04.20 12:34:31