视频元信息
- 系列：匹兹堡大学博弈论101（Game Theory 101）第 34 讲 / 第 33 讲"不用导数做比较静态"
- 时长：约 8 分钟
- 本讲定位：完整版教材第 3.4 课"比较静态分析"的补充课，专门讲不用导数时的替代做法
内容摘要（TL;DR）
本讲介绍"ε 扰动法"：把参数 X 换成 X+ε（ε 为极小正数），比较扰动前后目标量的大小，用代数推导代替求导来做比较静态分析。课程演示了点球博弈中"向右踢准确度上升会降低向左踢概率"的证明，并重点提醒三个坑：假设写反、ε 未随参数一起经历运算、无法捕捉非单调效应与变化速率。
一、课程背景与本讲定位 [00:00]
要点：
- 本讲是"比较静态分析"的补充内容，完整版教材第 3.4 课已讲过比较静态分析，但没有讲不用导数的方法。
- 本讲属于"临时补充"性质：给还不会用导数、但想拿模型练手的同学一个过渡方案。
- 主讲人强调：认真研究博弈论必须学会用导数，ε 方法只是权宜之计。
说明： 比较静态分析（comparative statics）是博弈论与经济学的核心工具，研究"当某个外生参数变化时，均衡结果如何变化"。标准做法是对均衡条件求导，得到变化方向与速率。但求导需要微积分基础，本讲提供的替代方案不需要求导。
考点：本讲不是教你"不用学导数"，而是告诉你"在学会导数之前可以先用什么"。主讲人明确表态：整个职业生涯中，他觉得 ε 方法真正好用的场合大概只有一两次，绝大多数情况都用导数。
理解：这一讲的教学动机很务实——很多初学者在还没掌握微积分时就被博弈论的比较静态分析卡住，ε 方法相当于一个"脚手架"，让你先能跑通逻辑，再回头补数学工具。
二、回顾：点球博弈的比较静态问题 [00:46]
要点：
- 上一讲解出了一个点球博弈（penalty kick game）的混合策略均衡。
- 均衡状态下，前锋向左踢的概率为 E / (E + X)（转录中"一处以一家X"即此式）。
- 其中 X 代表前锋向右踢的准确度，E 为另一个参数。
- 本讲要回答的问题：当 X 增大（向右踢越来越准）时，前锋向左踢的概率会怎么变？
- 初步猜想：X 增大 → 向左踢概率下降。
说明： 在点球博弈中，前锋可以选择向左踢或向右踢，守门员可以选择向左扑或向右扑。混合均衡中，一方选择某个纯策略的概率，取决于对手对该策略的防守收益等参数。这里"向右踢准确度 X"就是一个外生参数，我们要考察它对均衡概率的影响方向。
原始情况：向左踢概率 = E / (E + X) 扰动情况：准确度变为 X + ε，对应概率 = E / (E + X + ε)
推导思路：若猜想"X 增大使向左踢概率下降"成立，则应满足
E / (E + X) > E / (E + X + ε)
理解：这个不等式的方向就是"原来的值大于扰动后的值"，即概率随 X 增大而下降。
三、ε 扰动法的操作步骤 [01:26]
要点（核心方法论）：
- 构造两种情况：原始情况参数为 X；扰动情况参数为 X + ε，其中 ε 是某个大于 0 的极小量（"非常非常非常小的值"）。
- ε 的作用：体现 X 的增大，即第二种情况下向右踢"稍微更准一点"。
- 写出两个目标量：一个是准确度为 X 时的目标量，另一个是准确度为 X+ε 时的目标量。
- 比较大小：只要能证明其中一个值大于另一个，就确立了参数与目标量之间的方向关系。
- 代数变形：通过不等式两边同乘、消项等操作，把不等式化简到显然成立（或显然矛盾）的形式。
说明： ε 方法的本质是用"离散的微小扰动"代替"连续的导数"。导数衡量的是无穷小变化下的比率，而 ε 方法只关心"变大还是变小"这个方向，不关心变化率。
思考：这其实和导数的定义式 [f(x+Δx) − f(x)] / Δx 的分子部分很像——ε 方法只保留了"分子符号"这一步，丢掉了"除以 Δx 取极限"这一步，因此只能判断方向，不能判断速率。
四、完整算例：证明"向右踢越准，向左踢越少" [02:28]
要点：
- 假设：提高向右踢准确度会降低前锋向左踢的概率。
- 写下不等式：
E / (E + X) > E / (E + X + ε)
- 因为两个分母都严格大于 0，可以两边同乘两个分母，得到：
E + X + ε > E + X
- 两边 E + X 相互抵消，剩下：
ε > 0
- 由于 ε 被定义为"相对较小且大于 0 的值"，最后一行显然成立，原假设得证。
说明： 这个推导链条的关键在于"分母严格为正"这一前提，它保证了两边同乘分母时不等号方向不变。如果分母可能为负，同乘会翻转不等号，整个推导就崩了。
易错点：同乘分母前必须确认分母严格大于 0。这是不等式变形中最常见的翻车点。经济模型中很多参数（概率、成本、收益）天然为正，但并非所有参数都如此，务必逐一确认。
理解：整个证明的"信息量"其实集中在一处——把复杂的分式不等式化简到只剩 ε > 0。这种"化简到显然成立"的套路，是经济学理论证明中最常见的收尾方式。
五、坑一：初始假设写反了怎么办 [04:09]
要点：
- 如果一开始把关系猜错了（比如误以为 X 增大会让向左踢概率上升），会写下：
E / (E + X) < E / (E + X + ε)
- 继续代数运算，最终会得到：
ε < 0
- 但 ε 按定义是严格大于 0 的，所以最后一行是百分之百错误的结论。
- 解决办法很简单：这说明最初的不等式方向写反了，把不等号反过来即可，最终会得到 ε > 0。
说明： ε 方法有一个"自检机制"：如果推导终点出现与 ε > 0 矛盾的结论，说明假设方向错了，而不是方法失败了。这相当于一个内置的错误提示。
易错点：不要把"推导出 ε < 0"理解成"这个参数没有影响"。它只意味着你的假设方向反了，把不等号翻转即可。这是一个"方向纠错"信号，不是"关系不存在"信号。
思考：这种"结论自相矛盾 → 反推假设错误"的结构，在数学证明中叫反证法式的自检。ε 方法之所以能这样用，是因为它只涉及两个离散点的比较，符号关系非此即彼。
六、坑二：ε 必须随参数一起经历运算（减法陷阱） [05:35]
要点：
- 假设目标量不是 E / (E + X)，而是 E / (E − X)。
- 错误做法：把 ε 直接加在 X 旁边，写成 E / (E − X + ε)。
- 为什么错：我们想考察的是"X 变大"，而在 E − X 中 X 是被减去的。X 变大意味着分母里的总量应该变小，也就是应该减去一个更大的量，即 E − (X + ε)。
- 如果只是加 ε 而不把 ε 放进括号，实际上让 X 变成了一个更小的量，效果正好相反。
正确写法：
扰动情况应为 E / (E − (X + ε))，而不是 E / (E − X + ε)
说明： 主讲人特意提到，在之前的原始算例中，他故意在 "X + ε" 外面加了一对"看起来可能多余"的括号，原因正是为了应对这种减法（或更复杂的运算）情形。
核心原则：ε 必须作为一个整体参数，跟着 X 一起经历 X 所受到的所有运算。X 被减，ε 就被减；X 被平方，ε 就要处理 (X+ε)²；X 在分母，ε 就进分母。绝不能只在原来 X 出现的位置"旁边加一个 ε"。
理解：这一点和求导的链式法则是同一个道理——参数变化会沿着运算结构传播。ε 方法虽然没有链式法则的形式，但"扰动要整体代入"这个要求，本质上是在手动模拟这种传播。
拓展：如果参数出现在更复杂的表达式里，比如 1/(a − bX)²，那么扰动就要写成 1/(a − b(X+ε))²，逐层代入。手工展开会迅速变得繁琐——这正是导数方法（链式法则）的优势所在。
七、坑三：ε 方法无法捕捉非单调效应 [07:08]
要点：
- 有些效应是非单调的：目标量在参数空间某一段递增，过了某一点后开始递减。
- 主讲人在屏幕右下角放了一个小图示意：目标量一直增加到 2，过了 2 之后开始下降。
- 使用 ε 方法会完全漏掉这种非单调效应——在 2 的两侧，ε 方法只能给出局部的方向判断，无法告诉你"存在一个转折点"。
- 在目前看过的简单博弈里还没遇到非单调效应，但构建更复杂的模型时经常出现。
- 导数方法能捕捉这些转折点（例如通过一阶条件、二阶条件定位极值）。
说明： 非单调效应在经济学中非常常见，例如拉弗曲线（税率与税收收入）、倒 U 型的努力-产出关系等。ε 方法只能回答"当前这一点上是升还是降"，无法回答"整体形状是什么样"。
考点：ε 方法给出的是局部方向，不是全局形状。如果你的研究问题关心"最优值在哪里""是否存在转折点"，ε 方法无能为力，必须用导数。
拓展：导数方法通过一阶导数 f'(x) 的符号判断增减，通过二阶导数 f''(x) 或 f'(x)=0 的解定位极值点。ε 方法相当于只取了 f'(x) 的符号，丢掉了 f'(x)=0 的位置信息。
八、坑四：ε 方法无法回答"变化有多快" [07:54]
要点：
- 我们有时不仅想知道"某量是增还是减"，还想知道增长或减少的速度有多快。
- ε 方法只能判断方向（增/减），不能给出速率。
- 某个量是增是减，可能还取决于博弈论中的其他参数；用 ε 方法会丢失这些信息。
- 这些信息用导数是可以得到的。
说明： 导数的数值大小直接对应变化率。例如 dP/dX = −2 与 dP/dX = −0.1，方向相同但影响强度差 20 倍，这在政策分析、机制设计中可能至关重要。
结论：只要能使用导数，就绝对优先使用导数。主讲人表示，整个职业生涯中他大概只想得起一两次觉得 ε 方法确实是个好主意。
理解：ε 方法的价值场景其实很窄——大致是"临时手算、模型简单、只关心方向、且暂时不会微积分"这几种条件同时满足的时候。
九、本讲总结与学习建议 [08:20]
要点：
- ε 扰动法可以在不用导数的前提下完成简单的比较静态分析。
- 但它在三个方面明显弱于导数方法：
- 无法处理非单调效应；
- 无法给出变化速率；
- 无法揭示"增减方向是否依赖其他参数"。
- 最终建议：如果想成为严肃的博弈论研究者，必须学会用导数。不会导数短期内可以用 ε 方法凑合，但迟早要补上。
说明： 主讲人的态度非常明确：ε 方法是一个"过渡性工具"，不是"替代性工具"。它的教学价值在于让你先理解比较静态分析的逻辑（参数变化→均衡变化），而不被微积分卡住。
学习路径建议：先用 ε 方法建立"参数扰动→比较大小"的直觉，再学导数把这种直觉升级为可计算、可定位极值、可量化速率的工具。两者不是对立关系，而是同一逻辑的粗糙版与精细版。
思考：从方法论角度看，ε 方法其实是导数定义的"前身"——历史上牛顿、莱布尼茨之前的数学家就是用类似"微小增量"的思路处理变化问题的。理解 ε 方法，反而有助于理解导数为什么长成现在这个样子。
关键标签 / 关键词
比较静态分析、ε 扰动法、ε 方法、点球博弈、混合策略均衡、均衡概率、参数扰动、不等式变形、导数、非单调效应、变化速率、博弈论101、William Spaniel、Game Theory 101、微积分基础、经济学建模
生成时间：2026-10-11 21:59:58 生成平台：VideoNote www.xygy.top
