mikroekonomska analiza
DESCRIPTION
Doktorski studij: Generacija 200 9 Ekonomski fakultet Zagreb. Mikroekonomska analiza. Uvod. I. Što je ekonomija? II. Kako funkcionira tržišni mehanizam? III. Koji su učinci promjena u tržišnoj ravnoteži?. I. Što je e konomija ?. Društvena znanost - PowerPoint PPT PresentationTRANSCRIPT
Mikroekonomska analiza
Doktorski studij: Generacija 2009
Ekonomski fakultet Zagreb
Uvod
I. Što je ekonomija?
II. Kako funkcionira tržišni
mehanizam?
III. Koji su učinci promjena u tržišnoj
ravnoteži?
I. Što je ekonomija? Društvena znanost Predmet: proučavanje ljudskog
ponašanja kao odnosa između ciljeva i ograničenih sredstava koja imaju alternativne upotrebe
Konceptualni okvir: teorija izbora Glavni postulat: individualni izbori ili
odluke karakteriziraju ponašanje pojedinca
Što je ekonomija? Rijetkost – drugi postulat teorije
izbora Izbori (odluke) posljedice su
rijetkosti dobara i usluga Bez rijetkosti društvena znanost bi
izgledala drugačije
Što je ekonomija? Rijetkost ovisi o postulatima o
individualnim preferencijama (“više je bolje”)
Bez toga dobra koja su raspoloživa u ograničenim količinama ne bi nužno bila i rijetka
Što je ekonomija? Determinante izbora na kojima se
zasniva neoklasična (marginalistička) paradigma interakcija između ukusa ili preferencija i prilika ili ograničenja
Što je ekonomija? Obje skupine variraju između
pojedinaca i u vremenu Izazov: kako uspostaviti temelje
sistematičnoj analizi izbora u takvim uvjetima
Odgovor na ovo pitanje uglavnom definira polje ekonomije
Što je ekonomija? Ekonomija kao metoda za razumijevanje
ljudskog ponašanja Principi:
Individualni sudionici imaju preferencije oko alokacija resursa
Okruženje stavlja ograničenja na izbore Sudionici su u svojim izborima konzistentni Opažene promjene u ponašanju posljedice
su promjena u ograničenjima
Što je ekonomija? Razumijevanje ljudskog ponašanja
omogućuje: Predviđanja Identifikaciju potrebnih mjera
ekonomske politike
Ekonomija
Pozitivna ekonomija: Zašto je svijet takav kakav jest i zašto
tako izgleda
Normativna ekonomija: Kako se svijet može poboljšati
II. Kako funkcionira tržišni mehanizam?
Razumijevanje i opis pojave omogućuju
Ekonomski modeli Endogene varijable Parametri Pretpostavke ponašanja
Matematika
Matematičke metode
Izgraditi matematički okvir za ekonomsku analizu
Aksiom – teorem – dokaz Svaki rezultat može se trasirati
nazad do aksioma Rezultat je istinit ako je aksiom
istinit
Matematičke metode
Rigoroznost logičke discipline koju nameće matematička analiza omogućuje spoznaje koje idu dalje od intuicije i iskustva
Cilj: razumjeti teoriju na “njen” način Kritika: što se gubi a što dobiva
apstrakcijama koje se koriste?
Matematičke metode
Mogućnost generalizacije na n – dimenzija
Neki pojmovi: skup, Kartezijev koordinatni sustav, vektor, funkcija ....
Kartezijeve koordinate 3D
P=(3,0,5)
Q=(-5,-5,7)
III. Učinci promjena u tržišnoj ravnoteži
Kada smo pojavu razumjeli i opisali modelom, možemo promatrati kako se izbori mijenjaju kada se mijenja situacija u okruženju
Glavna područja analize:
Pozitivna: Individualno odlučivanje Potrošači Proizvođači Analiza tržišnih struktura (potpuna
konkurencija, tržišna moć)
Normativna: Analiza blagostanja
Metode analize
Optimizacija uz ograničenja Ravnotežna analiza Komparativna statika
Optimizacija
Problem: pronaći najbolju alternativu u skupu mogućih izbora
Struktura optimizacijskog problema: Endogene varijable Funkcija cilja Ograničenja
Optimizacija
Endogene varijable: pojava koju promatramo (količina
dobra, input faktora) data kao realni broj tražimo njihove optimalne vrijednosti
Optimizacija
Funkcija cilja: funkcija endogenih varijabli u modelu
(npr. funkcija korisnosti, troškova, profita)
vrijednosti funkcije mogu se izraziti kao realni brojevi
traži se maksimalna/minimalna vrijednost funkcije
Optimizacija
Ograničenja: skup dostupnih alternativa treba egzaktno
definirati nabrajanjem elemenata pomoću jedne ili više nejednakosti
(npr ) pomoću jedne ili više funkcija ili jednadžbi
(budžetsko ograničenje, proizvodna funkcija) podskup cijelog prostora
0x
Optimizacija uz ograničenja: primjer Model: Kako postaviti ogradu?
Kako maksimizirati pravokutnu površinu ako je data duljina ogradnog materijala?
duljina ogradnog materijala = F duljina pravokutne površine = L širina pravokutne površine = W
Optimizacija uz ograničenja
Funkcija cilja = ?
Površina LW
Ograničenje = ?
2L + 2W = F
Optimizacija uz ograničenja
Egzogene varijable = ?
F Endogene varijable = ?
L , W
Optimizacija uz ograničenja
Postavljanje problema:
Max L W
t.d. 2 L + 2 W F
Optimizacija uz ograničenja
Problem: pronaći najbolju alternativu u skupu mogućih izbora
Tehnički problem: pronaći maksimum ili minimum funkcije cilja s obzirom na endogene varijable a unutar datih ograničenja
Optimizacija uz ograničenja
Rješenje: vektor vrijednosti endogenih varijabli x* iz skupa mogućih izbora koje daju max ili min funkcije cilja definirane na skupu mogućih izbora
Optimizacija uz ograničenja
• Funkcija cilja .......
(1)• Endogene varijable
• Pretpostavka ponašanja max f• Skup mogućih izbora: S neprazan
1 2( , ,... ) ( )nf x x x f x
ix 1,2,...i n
Rješenje optimizacijskog problema
Traži se x* Praktični problemi – eksplicitno
numeričko rješenje Teoretski kontekst - opis osnovnih
karakteristika rješenja na analitički primjereni način
Lokalna i globalna rješenja
Ako promatramo samo jednu endogenu varijablu, vektor x postaje skalar x
skup mogućih izbora
.... [2]
(globalni maksimum)
0: : 0S x x x * *( ) ( ) ,f x f x za svaki x x S
Lokalna i globalna rješenja
• SLIKA 1: Postojanje globalnog rješenja
f(x)
f(x*)
f(x**)
0 x** x’ x* x0 x
a
N** N*
S
Lokalna i globalna rješenja
Uzmimo okolinu točke x** i nazovimo ga N** tako da je N** S
za svaki x N** S (lokalni maksimum) ] .... 3[
Unutar kojih uvjeta je svaki lokalni maksimum ujedno i globalni maksimum?
To ovisi o obliku funkcije cilja.
**( ) ( )f x f x
Jedinstvenost rješenja
Treba istražiti uvjete pod kojima je rješenje jedinstveno
Unutarnje i rubno rješenje
Na slici 1, je unutarnje rješenje. Kad bi funkcija na toj slici nastavila rasti,
formiralo bi se rubno rješenje
u Značaj ove razlike: kako promjena
ograničenja utječe na optimalno rješenje?
0x
*x
Jedinstvenost rješenja
SLIKA 2: Unutarnje i rubno rješenje
f(x)
f(x0)
f(x**)
0 x** x’ x0 x
a
S
Unutarnje i rubno rješenje
Unutarnje rješenje – ograničenje ne obvezuje (non-binding constraint). Mala promjena ograničenja ne mijenja unutarnje rješenje.
Rubno rješenje – ograničenje obvezuje (binding constraint). Rubno rješenje se mijenja sa promjenom ograničenja.
Lokacija rješenja
“Locirati” rješenje = opisati njegove opće karakteristike (bez traženja njegovog numeričkog rješenja)
To se radi pomoću nužnih i dovoljnih uvjeta
Lokacija rješenja
Nužni uvjeti: SVA optimalna rješenja ih zadovoljavaju (ali mogu ih zadovoljavati i druga, neoptimalna rješenja)
Dovoljni uvjeti: Svako rješenje koje pored nužnih zadovoljava i dovoljne uvjete, MORA BITI optimalno rješenje
Postojanje rješenja
Ključno pitanje: da li rješenje našeg ekonomskog problema postoji?
Značaj ovog pitanja: ako naša ekonomska teorija posjeduje karakteristike unutar kojih se rigorozno matematički može dokazati postojanje rješenja kojeg tražimo, onda je ona logički konzistentna
Postojanje rješenja
Teorem o postojanju rješenja precizira UVJETE u kojima optimizacijski problem ima rješenje
Uvjeti se svode na SVOJSTVA koja moraju posjedovati ekonomska funkcija cilja i skup mogućih izbora
Poželjna svojstva ekonomske funkcije cilja i skupa mogućih izbora Funkcija cilja:
neprekidna konkavna kvazikonkavna
Skup mogućih izbora: neprazan zatvoren ograničen konveksan
Neprekidnost (funkcije cilja)
Funkcija ili je neprekidna ako nema skokova ili
prekida u njenom grafu Isto vrijedi i ako je riječ o vektorskoj
funkciji ili realnoj funkciji više varijabli (samo je ovo nemoguće ilustrirati)
( )y f x:f
Neprekidnost (funkcije cilja)
Ideja: kada su vrijednosti argumenata blizu tada i funkcijske vrijednosti moraju biti blizu.
f je neprekidna u c ako vrijedi
t.d.
0, 0,
( ) ( )x c f x f c
Neprekidnost (primjeri)
SLIKA 3: (a) neprekidnay = f(x)
0 x3 x2 x1 x
Funkcija u 3D koja nije neprekidna
Funkcija koja nije neprekidna
SLIKA 3: (b) funkcija nije definirana u
0x
y = f(x)
0 x2 x0 x1 x
Funkcija koja nije neprekidna
SLIKA 3: (c) prekid – skok iz y1 u y2 za x0
y = f(x)
0 x2 x0 x3 x1 x
y1
y2
Konkavnost I
Pomoću tangente:Tangente koje vučemo na svaku
točku krivulje sukcesivno imaju sve manji pozitivni nagib a zatim sve oštriji negativni nagib, to jest, druga derivacija koja pokazuje promjenu nagiba tangente je
Tangenta leži IZNAD grafa funkcije( ) 0f x
Konkavnost II
Pomoću spojnice (ako funkcija nije derivabilna u nekoj točki): Ako spojnica povezuje dvije točke na
grafu funkcije, npr. i Graf funkcije između ove dvije
vrijednosti leži iznad spojnice
0( , ( ))x f x 1( , ( ))x f x
Konkavnost II
• SLIKA 4: a) konkavna
0 x0x 1x
0
1
xf
f
xf
xf
xf
x
Konkavnost II
• SLIKA 4: b) linearna
02x0x 1x
0
2
1
xf
xf
xf
xf
x
Konkavnost II
• SLIKA 4: c) konveksna
0 x0x 1x
01
xf
xf
f
xf
xf
x
Konkavnost II
• SLIKA 4: d) konkavna pa konveksna
02x0x 1x
xf
x
Konkavnost II
Algebarski: Uzmemo bilo koju točku između
npr. i prikažemo ju kao konveksnu kombinaciju ovih dviju točaka
... [4] Zatim promatramo konveksnu
kombinaciju vrijednosti funkcije i koristeći iste vrijednosti za k ... [5]
x0 1x i x
0 1(1 )x kx k x
0( )f x 1( )f x
0 1( ) (1 ) ( )f kf x k f x
Konkavnost II
je koordinata točke na spojnici točno iznad
Za konkavnu funkciju vrijedi
za svaki ...[6]
fx
( )f x f 0 1x x x
Konkavnost II
“Obična” konkavna funkcija: može biti linearna ili imati linearni segment za
Strogo konkavna funkcija: zadovoljava [6] za
Također možemo reći da strogo konkavna funkcija zadovoljava [6] kao strogu nejednakost
0,1k
0,1k
Konkavnost III
Kvadratna matrica M čiji elementi su druge derivacije konkavne funkcije je negativno semidefinitna,
Algebarski:
Funkcija je konkavna ako i samo ako je negativno semidefinitna za svaki
0Tz Mz
:f A 2 ( )D f x
x A
Konture funkcije
Definiramo konture funkcije cilja kao skupove vrijednosti vektora x koje daju istu vrijednost c funkcije f(x), tj. kao nivo skup ... [7]
Funkcija cilja: Zanimaju nas svojstva kontura funkcije cilja
1 2( , ,..., ) ( )ny f x x x f x
( )f cx
Funkcija dvije varijable i njena kontura
1 2( , )c f x x
c
Funkcija dvije varijable i njene konture
1c
1c
2c
3c
2c3c
Konture funkcije
Slučaj dvije varijable ... [8]
Sve točke na konturnoj liniji c su vektori x koji zadovoljavaju gornji uvjet
Važno svojstvo konture funkcije: neprekidnost!
Neprekidnost funkcije (cilja) implicira neprekidnost njenih kontura
1 2( , )f x x c
Konture funkcije
Pretpostavimo da je kontura i diferencijabilna (neprekidna + diferencijabilna = glatka)
Totalni diferencijal ... [9]( i moraju držati vrijednost
funkcije konstantnom u c) ... [10]
1 1 2 2 0df f dx f dx 1dx 2dx
2 12
1 2
0dx f
fdx f
Konture funkcije
Omjer parcijalnih derivacija
= NAGIB konture u toj točki
(MRS i MRTS sa dodiplomskog studija!!)
Konture funkcije mogu izgledati i ovako
SLIKA 5: Konture funkcije
x1
x2
x’
0 x1
x2
x’
0
(a) negativnog nagiba (b) pozitivnog nagiba
Nivo skupovi
Gornji nivo skup definiramo kao skup elemenata za koje vrijedi
Ako je gornji nivo skup strogo konveksan, sve konveksne kombinacije
nalaze se u skupu na kojem su vrijednosti funkcije veće od c. Takvi su strogo konveksni skupovi.
Ako sadrži linearni segment, skup je samo konveksan.
1 2x i x
f c
Nivo skupovi
• SLIKA 6:
x1
x2
x’
0 x1
x2
0
(a) strogo konveksni gornji nivo skup (b) konveksni gornji nivo
skup
cxx 1'
cxx 1'
x’
x
x’
xx
cc
Kvazikonkavnost
Funkcija definirana na konveksnom skupu je
kvazikonkavna ako su njeni gornji nivo skupovi konveksni
i
:f S nS
: ( )x S f x c ( )f x c ( ') ( (1 ) ')f x c f x x c
, , ' 0,1c x x S
Kvazikonkavnost
Napomena: ako vrijedi stroga nejednakost pri i
, kažemo da je
strogo kvazikonkavna.
'x x0,1 ( )f
Kvazikonkavnost
Svaka konkavna funkcija je kvazikonkavna. Obrnuto ne vrijedi.
Primjer: rastuća konveksna funkcija može imati nivo skupove koji se “lijepo ponašaju”
Konveksnost i kvazikonkavnost
Kvazikonkavnost
Konkavnost je KARDINALNO svojstvo Neće se očuvati pri rastućim monotonim
transformacijama funkcije Kvazikonkavnost je ORDINALNO svojstvo Svaka rastuća funkcija jedne varijable je
kvazikonkavna
( )f
Kvazikonkavnost
Dva puta diferencijabilna funkcija je kvazikonkavna ako je
za svaki Hesse-ova matrica derivacija drugog reda negativno semidefinitna
Ako je Hesse-ova matrica negativno definitna, funkcija je strogo kvazikonkavna
:f S Sx
2 ( )D f x
Optimizacijski problem
Što višu konturu postignemo, to je veća vrijednost funkcije cilja
Cilj maksimizacije funkcije cilja ekvivalentan je cilju da se dostigne što viša kontura (nivo skup)
Skup mogućih izbora: svojstva
Nepraznost: Ako se ograničenje može zadovoljiti za barem jednu točku, skup je neprazan.
Zatvorenost: Skup je zatvoren ako su sve točke na njegovim rubovima (granicama) elementi skupa
(uočiti odnos između slabih nejednakosti u ograničenjima i zatvorenosti skupa)
Skup mogućih izbora: svojstva
Ograničenost: Uvijek je moguće naći kuglu radijusa koja u potpunosti sadrži dati (ograničeni) skup
Kompaktnost: Skup je kompaktan ako je zatvoren i ograničen.
r
Skup mogućih izbora: svojstva
Konveksnost: Skup je konveksan ako se bilo koji par točaka može povezati spojnicom koja u potpunosti leži u skupu
Ako se bilo koje dvije točke na rubovima mogu povezati spojnicom koja u potpunosti ali bez te dvije krajnje točke leži u skupu, tada je skup strogo konveksan.
Teorem o postojanju rješenja Teorem maksimalne vrijednosti: Neka je
funkcija neprekidna i neka je njena domena kompaktni podskup S u
Tada postoje točke u S takve da vrijedi za sve
To znači da je točka globalnog minimuma a je točka globalnog maksimuma funkcije f
u S.
:f S L
m Mix x( ) ( ) ( )m Mf f f x x x
Sxmx
Mx
Teorem o postojanju rješenja Dakle, optimizacijski problem uvijek
ima rješenje ako je funkcija cilja neprekidna a skup mogućih izbora neprazan, zatvoren i ograničen.
Skup vrijednosti funkcije f(x) je također neprazan, zatvoren i ograničen (skup realnih brojeva koji sadrži maksimum i minimum)
Postojanje rješenja
Značaj uvjeta: neprekidnost funkcije cilja
Bitno je da vrijednost funkcije cilja nije moguće beskonačno povećavati na skupu mogućih izbora
Treba postojati limes funkcije
( )y f x
Postojanje rješenja
Na Slici 7a, rubno rješenje, max u x’ Na Slici 7b, optimizacijski problem nema
rješenja jer
SLIKA 7a: SLIKA 7b:
0
limx x
f
f(x)
ymax
ymin
f(x)
0 x’ x
f(x)
0 x0 x’ x
f(x)
Postojanje rješenja
Značaj uvjeta: zatvorenost skupa mogućih rješenja
Pretpostavimo da je skup otvoren odozgo (gornja granica x’ nije
sadržana u skupu S) Na Slici 7a vrijednost funkcije tada bi mogli
povećavati u beskonačnost Optimizacijski problem nema rješenja
: 0 'S x x x
Postojanje rješenja
Značaj uvjeta: ograničenost skupa mogućih rješenja
Pretpostavimo: i f je monotono rastuća Na Slici 7a vrijednost funkcije tada možemo
povećavati u beskonačnost Optimizacijski problem nema rješenja
: 0S x x
Postojanje rješenja
Nepraznost skupa mogućih izbora: nužni uvjet postojanja rješenja
Neprekidnost funkcije cilja te zatvorenost i ograničenost skupa mogućih izbora: dovoljni uvjeti postojanja rješenja
Postojanje rješenja
Istovremeno zadovoljenje svih nužnih i dovoljnih uvjeta garantira postojanje rješenja
Rješenje može (ali ne mora) postojati ako neki dovoljni uvjeti nisu zadovoljeni kao što prethodni primjeri pokazuju
Lokalni i globalni optimum
Točka maksimuma funkcije nad skupom mogućih izbora = točka unutar tog skupa koja se preslikava na najvišu moguću konturu funkcije
neprekidna S neprazan, zatvoren i ograničen Pitanje: pod kojim uvjetima je lokalni
maksimum ove funkcije ujedno i globalni maksimum?
:f S
Lokalni i globalni optimum
Dovoljni uvjeti da lokalni optimum bude i globalni: Funkcija cilja je kvazikonkavna (važne
su konture !) Skup mogućih izbora je konveksan
(važan je oblik skupa !)
Lokalni i globalni optimum
Situacija 1, Skup mogućih izbora je konveksan ali funkcija cilja nije kvazikonkavna:
Slika 8
x’,x* - lokalni maximumi
samo x* - globalni
maximum
x’
x*
c2c1
x1
x2
0
Lokalni i globalni optimum
Situacija 2, funkcija cilja je strogo kvazikonkavna ali skup mogućih izbora nije konveksan:
Slika 9
x’,x* - lokalni maximumi
samo x* - globalni
maximum
x*
c2
c1
x1
x2
0
x’
Lokalni i globalni optimum
Situacija 3, skup mogućih izbora je konveksan i funkcija cilja sa konturom c je kvazikonkavna (dakle, skup B je konveksan):
Slika 10 Rješenje su sve točke na
segmentu ab (točke u S koje
su na najvišoj konturi od f).
Svaka točka na ab je i
lokalni i globalni maximum.
x1
x2
0
a
b
B
ST
Lokalni i globalni optimum
S je konveksni skup Segment ab leži u njegovom
gornjem rubu (granici) Pravac T sadrži sve točke u
segmentu ab Ni jedna točka iz S ne leži s druge
strane T, dakle cijeli skup S mora ležati ispod T
Lokalni i globalni optimum
B je također konveksni skup (uslijed kvazikonkavnosti funkcije cilja);
Segment ab leži u njegovom donjem rubu (granici)
Pravac T sadrži sve točke u segmentu ab
Dakle, cijeli skup B mora ležati iznad T
Lokalni i globalni optimum
Ako postoji presjek skupova B i S koji sadrži više od segmenta ab, tada lokalni optimum nije i globalni
Ovo je moguće kada S nije konveksan i funkcija nije kvazikonkavna
Separirajući pravac (hiperravnina) Kada su skupovi B i S konveksni,
uvijek se može naći pravac T koji ih razdvaja
T = separirajući pravac (u dvije dimenzije)
T = separirajuća hiperravnina za više od dvije dimenzije
Jedinstvenost rješenja
Za donosioca odluka važno je da li postoji samo jedno optimalno rješenje ili više njih
Bitno je utvrditi kako se odluke mijenjaju u odnosu na promjene ograničenja koja definiraju skup mogućih izbora
Jedinstvenost rješenja
Kada imamo jedinstveno optimalno rješenje, za svaki skup mogućih izbora možemo definirati funkcije koje za parametre u ograničenjima daju optimalne vrijednosti endogenih varijabli
Takve su, na primjer, funkcije potražnje ili ponude
Jedinstvenost rješenja
Ako optimalno rješenje nije jedinstveno, onda se formira odnos između parametara u ograničenjima i SKUPOVA vrijednosti endogenih varijabli koje nazivamo višeznačna preslikavanja (correspondences)
Takav je slučaj na Slici 10 gdje ima beskonačno mnogo optimalnih rješenja i sva su na segmentu ab