Kapitel 4: Nyttefunktioner

Relaterede dokumenter
Kapitel 4: Nyttefunktioner. Hvad er nytte? - det gamle syn:

1 Kapitel 5: Forbrugervalg

Kapitel 3: Præferencer. Hvordan skal vi modellere præferencer?

Kapitel 3: Præferencer. Hvordan skal vi modellere

1 Kapitel 5: Forbrugervalg

Kapitel 3 Forbrugeradfærd

Kapitel 18: Virksomheders teknologi

Forbrugerteori: Optimale valg og efterspørgsel

1 Virksomheders teknologi (kapitel 18)

1 Virksomheders teknologi (kapitel 18)

1 Bytteøkonomier (kapitel 30)

1 Bytteøkonomier (kapitel 31)

1 Virksomheders teknologi (kapitel 18)

Mikroøkonomi Projektopgave: Valg Under Usikkerhed

Differentiation af sammensatte funktioner

Anvendt Lineær Algebra

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Statistik og Sandsynlighedsregning 2

Mere om differentiabilitet

Planen idag. Fin1 (mandag 16/2 2009) 1

Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Kvantitative metoder 2

Introduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013)

Statistik og Sandsynlighedsregning 2

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1 Markedsefterspørgsel (kapitel 15)

Statistik og Sandsynlighedsregning 2

Opgave 1: Mikro (20 point)

Bedste rette linje ved mindste kvadraters metode

Oversigt [S] 2.7, 2.9, 11.4

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen

MM502+4 forelæsningsslides. uge 6, 2009

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

Test grafisk afledede Højere partielle afledede Differentiationsordenen er ligegyldig Partielle differentialligninger Test Laplaces ligning

Mat H /05 Note 2 10/11-04 Gerd Grubb

Differentiabilitet. f(h) = f(x 0 +h) f(x 0 ). y = f(x) f(h) df(h) Figur 1: Tangent, tilvækst og differential. lim. df(h) = f (x 0 )h.

Mich Tvede 29. januar Økonomisk Institut Københavns Universitet

Forbrugeroverskud, ækvivalerende og kompenserende variationer

Oversigt [S] 2.7, 2.9, 11.4

Matematisk modellering og numeriske metoder

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Partielle afledede og retningsafledede

Gradienter og tangentplaner

Sætning (Kædereglen) For f(u), u = g(x) differentiable er den sammensatte funktion F = f g differentiabel med

Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt

1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked.

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).

Matematik B-niveau 31. maj 2016 Delprøve 1

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen

Kapitel 15: Markedsefterspørgsel

For nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Substitutions- og indkomsteffekt ved prisændringer

UGESEDDEL 9 LØSNINGER. Sydsæter Theorem 1. Sætning om implicitte funktioner for ligningen f(x, y) = 0.

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C

Lineær algebra 4. kursusgang

Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet. En virksomhed har følgende produktionsmulighedsområde:

Logistisk Regression - fortsat

Vektorfunktioner. (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium

Matematisk modellering og numeriske metoder. Lektion 8

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Kvantitative metoder 2

Vektorfelter langs kurver

Teoretisk Statistik, 16. februar Generel teori,repetition

matx.dk Enkle modeller

Statistik II 1. Lektion. Analyse af kontingenstabeller

Kapitel 12: Valg under usikkerhed

matx.dk Differentialregning Dennis Pipenbring

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Analyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).

π er irrationel Frank Nasser 10. december 2011

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

GEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Funktion af flere variable

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser

Konstruktion af Splines

Besvarelse, Eksamen Analyse 1, 2013

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

(Prøve)Eksamen i Calculus

Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen

Matematisk modellering og numeriske metoder. Lektion 11

10. Differentialregning

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere

Simpel Lineær Regression: Model

Kvantitative Metoder 1 - Efterår Dagens program

Matematisk modellering og numeriske metoder. Lektion 10

matx.dk Mikroøkonomi

Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi

Estimation og konfidensintervaller

Transkript:

Kapitel 4: Nyttefunktioner Hvad er nytte? - det gamle syn: 1. Nytte betragtet som en indikator for et individs overordnede velfærd. 2. Nytten er kardinal: Størrelsen på nyttedifferencer har betydning. 3. Hvert individ ønsker at maksimere egen nytte 4. Utilitarisme: Maximere summen af nytter. 5. Læs mere...: 6. http://cepa.newschool.edu/het/profiles/bentham.htm 7. http://www.utilitarianism.org/

Jeremy Bentham, 1748-1832. Problemer: 1. Hvordan måler vi nytten? 2. Kan vi sammenligne nytten mellem individider? 3. Hvordan fortolker vi kardinal nytte? 4. Kan vi nøjes med et mindre ambitiøst nyttebegreb?

Hvad er nytte? - det nye syn: 1. Udgangspunktet er en præferencerelation º 2. Nytte er en funktion som repræsenterer præferencer. 3. Nyttefunktionen tildeler et tal til hvert alternativ så at det foretrukne varebundt får højest nytte og vice versa: 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Ordinal nytte: Kun rangordning af alternativer har betydning. 7. Operationelt nyttebegreb: Kender vi præferencerelation º kan vi konstruere nytten.

Finder der altid en nyttefunktion? 1. Nej! Modeksempel: 2. Tre alternativer x, y og z. (a) x  y (b) y  z (c) z  x 3. Hvis nytte u eksisterer da giver a) u(x) >u(y), b) giver u(y) >u(z), c) giver u(z) >u(x), dvs: 4. u(x) >u(y) >u(z) >u(x) - modstrid! 1. Hvornår findes en nyttefunktion? 2. Sætning: Hvis der er et endeligt antal alternativer, da er følgende ækvivalent: (a) º er komplet og transitiv. (b) º kan repræsenteres ved en nyttefunktion. 3. Bevis: Mikro 2. år. 4. POINTE: Så længe at vi antager komplethed og transitivitet, da kommer det ud på et om vi starter med præferencerelation º eller nyttefunktion u.

5. NB: Typisk har vi uendeligt mange alternativer (alle mulige tænkelige størrelser varebundter). 6. Her findes eksempler på komplette og transitive præferencer som ikke kan repræsenteres ved en nyttefunktion. 7. Eksempel: Leksikografiske præferencer: 8. To goder. (x 1,x 2 ) º L (y 1,y 2 ) hvis [x 1 >y 1 eller x 1 = y 1 og x 2 y 2 ]. 9. Komplet? -Ja! 10.Transitiv? -Ja! 11.MEN kan ikke repræsenteres ved en nyttefunktion. 12.PROBLEMET: Den leksikografiske præferencerelation º L ikke kontinuert i varerummet R 2. 13.I praksis kan vi roligt antage at præferencer er kontinuerte.

Er nyttefunktion entydig? 1. SPM: Hvis der findes en nyttefunktion u der repræsenter præferencerelation º,eru da entydigt bestemt ud fra º? 2. NEJ: Hvis u repræsenter º og f er en strengt voksende funktion, da repræsenter f(u) også º. 3. HVORFOR? 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Hvis f er strengt voksende har vi da også: 7. f(u(x 1,x 2 )) >f(u(y 1,y 2 )) (x 1,x 2 ) Â (y 1,y 2 ). 8. OMVENDT: Hvis u og v begge repræsenterer º så findes der en strengt voksende funktion f så u(x 1,x 2 )=f(v(x 1,x 2 )) for all (x 1,x 2 ). 9. POINTE: Hvis u repræsenterer º da er u entydigt bestemt op til en vilkårlig strengt voksende transformation.

1.

Konstruktion af nyttefunktion 1. Fra indifferenskurver: Se figur! 2. Eller direkte ud fra fortolkning af præferencer: (a) Perfekte substitutter 1:1. Det eneste der betyder noget er det samlede antal goder. Så u(x 1,x 1 )=x 1 + x 2 er en nyttefunktion. (b) Perfekte substitutter generelt. u(x 1,x 1 )= ax 1 + bx 2. (c) Perfekte komplementer 1:1. Det eneste der betyder noget er minimum af de to goder. u(x 1,x 1 )=min{x 1,x 2 }. (d) Perfekte komplementer generelt. u(x 1,x 1 )= min{ax 1,bx 2 }.

2.

3. Konstruktion af indifferenskurver fra nyttefunktion 1. Eksempel: u(x 1,x 2 )=x 1 x 2. 2. x 1 x 2 = k x 2 = k x 2. 3. Plot kurve for k =1, 2, 3,...etc.

To vigtige eksempler på nyttefunktioner 1. Kvasi-lineær nytte: u(x 1,x 2 )=v(x 1 )+x 2. (a) Nytte lineær i x 2. v(x 1 ) kan være x 1, log(x 1 ),... (b) Indifferenskurver vertikalt parallelle. 2. Cobb-Douglas nytte: u(x 1,x 2 )=x c 1x d 2. (a) Kan normalisere koefficienter til at summe til 1: (b) (u(x 1,x 2 )) 1 c+d =(x c 1 x d 2) 1 c c+d = x c+d c+d 1 x d 2 = bu(x 1,x 2 ). (c) a c c+d. bu(x 1,x 2 )=x a 1x 1 a 2. (d) Kan gøres additiv ved en logaritmisk tranformation : (e) log u(x 1,x 2 )=logx a 1x 1 a 2 = a log x 1 +(1 a)logx 2.

4. 5.

Marginalnytte 1. Hvis u(x 1 ) er funktion af én variabel, da er marginalnytte u(x 1 ) x 1 = u 0 (x 1 ) = lim x1 0 u(x 1 + x 1 ) u(x 1 ) x 1. 2. Hvis u(x 1,x 2 ) er funktion af to variable, da kan vi også udregne marginalnytte af x 1 for fastholdt x 2 - den partielle afledede. 3. Definition: x 1 = u 0 x 1 (x 1,x 2 ). = lim x1 0 u(x 1 + x 1,x 2 ) u(x 1,x 2 ) x 1 4. Eksempel 1: u(x 1,x 2 )=ax 1 + bx 2. x 1 = a. 5. Eksempel 2: u(x 1,x 2 )=x a 1x 1 a 2. x 1 = ax a 1 1 x 1 a 2.

Sammenhæng mellem MRS og partielle afledede 1. Husk: MRS i et punkt er hælding på indifferenskurve. 2. I punktet (x 1,x 2 ) lad (dx 1,dx 2 ) være ændring i x 1 hhv x 2 så u(x 1,x 2 )=u(x + dx 1,x 2 + dx 2 ). Altså: 3. du = u(x 1,x 2 ) dx 1 + u(x 1,x 2 ) dx 2 =0. x 1 x 2 Hvilket giver: 4. dx 2 dx 1 = x 1. x 2

Transformationer, partielle afledede, MRS. 1. Hvis u transformeres, da transformeres partiel afledet også! 2. Men MRS ændres ikke: x 3. u(x 1,x 2 ).MRS= 1. x 2 4. v(x 1,x 2 )=f(u(x 1,x 2 )). 5. MRS = v x 1 v x 2 = f u u x 1 f u u x 2 = u x 1 u x 2.

Eksempel: Cobb-Douglas 1. u(x 1,x 2 )=x c 1x d 2 x 2. MRS = 1 x 2 = cxc 1 1 x d 2 x c 1 dxd 1 2 = c d x c 1 1 x d 2 x c 1 xd 1 2 = c x 2 d x 1. 3. v(x 1,x 2 )=log(u(x 1,x 2 )) = c log x 1 + d log x 2 x 4. MRS = 1 x 1 d 1 x 2 x 2 = c 1 = c x 2 d x 1.

Anvendelse: bil eller bus til arbejde? 1. Tage bus og bil til arbejde? 2. Lad x 1 være rejsetid i bil, y 1 rejsetid i bus. 3. Lad x 2 være omkostning ved at køre bil, y 2 være omkostning ved at køre bus. 4.... 5. Antag lineær nytte: u(x 1,..., x n )=β 1 x 1 +... + β n x n. 6. Estimér β i ere ud fra observerede valg. 7. Domenich-McFadden (1975): Nyttefunktion gav korrekt forudsigelse af valg i 93% af tilfælde. 8. Med estimeret nyttefunktion kan vi: (a) Udregne MRS mellem to attributter. F.eks.: Hvad er værdi målt i $ for kortere rejsetid? (b) Lave forudsigelser. F.eks. hvor mange skifter til bus hvis rejsetiden forkortes? (c) Udregne velfærdsgevinster: Hvad er værdien (målt i $) for en rejsetidsforkortelse for dem der allerede allerede tager bussen?