Théorème de l’enveloppe

Un tout petit complément sur l’utilité inverse, et l’exercice 2 de la PC de jeudi après midi.
Tout  d’abord un petit rappel sur le théorème de l’enveloppe. Supposons que l’on cherche à maximiser une fonction (dite objectif) f(bold x,bold r) qui dépend de paramètres bold r, i.e. on cherche

f^*(bold r) = max_{bold x} f(bold x,bold r),

La fonction f^*(bold r) est alors la fonction optimale pour les paramètres bold r donnés. Soit  bold x^*(bold r) la valeur optimale en bold x, fonction du paramètre bold r , de telle sorte que

f^*(bold r) = f(bold x^*(bold r), bold r)

Le théorème de l’enveloppe nous permet de voir comment f^*(bold r) varie lorsque le paramètre change, et plus particulièrement, on a

frac{partial f^*(bold r)}{partial r_i} = frac{partial f(bold x,bold r)}{ partial r_i} Bigg|_{bold x =

Autrement dit, la dérivée de f^*(bold x,bold r) suivant  ri est donnée par la dérivée partielle de f(bold x,bold r)suivant ri, lorsqu’on l’évalue en bold x =.

Notons qu’il existe aussi une version un peu plus générale qui autorise un programme d’optimisation avec contrainte.
Supposons que l’on s’intéresse à

max_{bold x} f(bold x,bold r) ;; s.t. ;; bold g(bold x,bold r) = bold 0

dont le Lagrangien s’écrit

mathcal{L}(bold x,bold r) = f(bold x,bold r) - boldsymbol{lambda} cdot bold g(bold x,bold r)

où de manière classique boldsymbol{lambda} = (lambda_{1},dots,lambda_{n}) est l’ensemble de multiplicateurs de Lagrange où

bold g(bold x,bold r) = (g_{1}(bold x,bold r),dots,g_{n}(bold x,bold r))

Le théorème de l’enveloppe permet d’écrire

frac{partial f^*(bold r)}{partial r_i} = frac{partial mathcal{L}(bold x,bold r)}{partial r_i} Bigg|_{ bold x =

L’autre point important de la PC était le principe de dualité dans les programme d’optimisation, que j’avais abordé ici.
Bref, tout ça permet d’introduire la notion d’utilité inverse et de demande Hicksienne. Pour reprendre calmement cette partie (en s’inspirant d’une page de wikiversité sur le sujet), le programme classique visait à chercher

 max_{mathbf{x}in Bleft(mathbf{p},y<br />
ight)}uleft(mathbf{x}<br />
ight)

où la contrainte budgétaire s’écrit classiquement

B=left{mathbf{x}in X|mathbf{p}mathbf{x}=sum_{i=1}^Np_ix_i le y<br />
ight}

La solution est alors notée mathbf{x}^mleft(mathbf{p},y<br />
ight) (on parle de demande Marshalienne). Je passe rapidement sur le programme d’optimisation de l’agent, mais nous avions vu que le taux marginal de substitution était égal au rapport des prix. En effet, le Lagrangien s’écrit

 mathcal{L}equiv u(mathbf{x})-lambda(mathbf{p}mathbf{x}-y)

ce qui donne de conditions du premier ordre de la forme

 frac{partial u(mathbf{x}^m)}{partial x_i}=u'_i=lambda p_i forall i.
L’idée maintenant est d’injecter les fonction de demande dans la fonction d’utilité, ce qui permet d’obtenir la fonction d’utilité inverse

 v(mathbf{p},y)=u(mathbf{x}^m(mathbf{p},y))

Une manière alternative d’étudier ce problème est de regarder le programme dual (on a supposé la fonction d’utilité convexe), i.e on cherche à trouver le panier de bien le moins cher possible nous procurant une utilité au moins égale à une utilité minimale, i.e. on cherche à résoudre

 min_{mathbf{x}|u(mathbf{x})gebar u}mathbf{p}mathbf{x}

La solution de ce programme d’optimisation mathbf{x}^h(mathbf{p},bar u) est appelée demande hicksienne. On peut alors considérer la fonction de dépense minimale,

e(mathbf{p},bar u)=mathbf{p}mathbf{x}^h(mathbf{p},bar u)

Le lemme de Shepard permet d’écrire

: x^h_i(mathbf{p},bar u)=frac{partial e(mathbf{p},bar u)}{partial p_i}

Ce résultat se montre finalement assez simplement: en effet, par construction

e(mathbf{p},bar u)=sum_{i=1}^Np_ix_i^h(mathbf{p},bar u)

dont un calcul de dérivée rapide permet d’écrite

 frac{partial e(mathbf{p},bar u)}{partial p_k}={color{Red}sum_{i=1}^Np_ifrac{partial x_i^h(mathbf{p},bar u)}{partial p_k}}+x_k^h(mathbf{p},bar u)

Rappelons que la condition de premier ordre s’écrit

u'_i=frac{p_i}{lambda}

Comme en u(mathbf{x})=bar u, nous sommes à un optimum, on en déduit

 sum_{i=1}^Nu'_ifrac{partial x_i^h(mathbf{p},bar u)}{partial p_k}=0

et donc

frac{1}{lambda}{color{Red}sum_{i=1}^Np_ifrac{partial x_i^h(mathbf{p},bar u)}{partial p_k}}=0

et comme lambda e 0 c’est que  la somme rouge est nulle. D’où le lemme dit de Shepard.
Les théorèmes de dualité permettent d’obtenir un certain nombre de résultats, parmi lesquels

  • e[mathbf{p},v(mathbf{p},y)]equiv y
  • v[mathbf{p},e(mathbf{p},bar u)]equivbar u
  • x^m_i(mathbf{p},y)equiv x^h_i[mathbf{p},v(mathbf{p},y)]
  • x^h_i(mathbf{p},bar u)equiv x^m_i[mathbf{p},e(mathbf{p},bar u)]

Enfin, en appliquant le théorème de Slutsky, on écrit

ce qui s’écrit encore

frac{partial x_k^m}{partial p_j}=frac{partial x_k^h}{partial p_j}-frac{partial x_k^m}{partial y}{color{Red}frac{partial e}{partial p_j}}

Bref, on retrouve ici ce qu’on avait fait en PC.
Mais si ça n’est toujours pas plus clair, il y a des notes de cours de Michael Manove, à Boston University, sur “indirect utility” et “duality“, dont les slides sont ici. Il y a également des compléments mathématiques, dont le théorème de l’enveloppe (Prop. 21.2) ou le théorème de Kuhn-Tucker (Prop.21.13), ici.
On pourra aussi trouver en ligne l’article de Lawrence Blume sur la dualité pour le dictionnaire Palgrave d’économie, ici. Larry a aussi écrit l’article sur la programmation convexe, diponible .
Sinon je mets ici les exercices des deux prochaines PC.

Jeux noncoopératifs et assurance des catastrophes

Présentation d’un papier (pas encore complètement fini) lors de la réunion AST&Risk à Grenoble1, sur l’assurance des catastrophes naturelles. Les slides seront mis en ligne dès lors que le papier sera finalisé (encore quelques jours)…

En théorie de la décision, les agents prennent des décisions en fonction de leurs croyances, et de leur utilité. Un jeu est un cadre (formel) où les décisions des agents sont interdépendantes: la décision que je prends dépend de ce que font les autres. On parle alors de stratégie.
La notion d’équilibre dans les jeux à somme nulle découle du théorème minimax de John von Neumann (en 1926). Mais c’est John Nash qui a proposé la notion la plus générale en 1950 (je l’avais mentionné ici). Ce résultat est fondamentalement un théorème de point fixe.  Pour comprendre la notion d’équilibre de Nash, prenons l’exemple suivant (que j’ai trouvé ici): considérons un jeu avec deux joueurs (A et B) qui doivent choisir entre deux stratégies S1 et S2. Les gains des 2 joueurs (connus) sont représentés dans le tableau suivant sous la forme (Gain de A ; Gain de B).

On se demande simplement comment les agents doivent prendre une décision. Pour résoudre ce problème, on étudie toutes les stratégies possibles

  1. est-ce que (S1 ; S1) est une situation stable ? Non, car le joueur A aura plutôt intérêt à choisir S2 (afin d’augmenter son gain de 3 à 4), tandis que le joueur B voudra dévier en S2 (pour avoir un gain de 4 plutôt que de 3). Bref, les deux joueurs chercheront à dévier: ce n’est pas un équilibre.
  2. en (S1 ; S2), A aura intérêt à choisir la stratégie S2 afin de faire passer son gain de 0 à 1. B n’a pas intérêt à dévier dans cette situation. Si l’un des agents a intérêt à dévier, on se doute qu’on ne restera pas sur cette stratégie: ce n’est pas un équilibre.
  3. en (S2 ; S1), A n’a pas intérêt à dévier, mais B va préférer la stratégie S2 qui lui donne un gain de 2 plutôt que de 1.
  4. en (S2 ; S2), aucun des joueurs n’a intérêt à dévier, il s’agit d’un Équilibre de Nash. Aucun des joueurs ne peut faire mieux en modifiant unilatéralement sa stratégie.

On parle de jeux non-coopératif car les décisions sont prises unilatéralement. On peut alors schématiquement représenter ces déviations sur le schéma suivant

Notons également que l’on a un équilibre de Nash, mais aucunement une situation optimale: les joueurs gagnent respectivement 1 et 2, alors qu’ils pourraient gagner 3 (tous les deux) avec la stratégie (S1 ; S1)

1 Le groupe organise d’ailleurs un workshop Modélisation spatiale et temporelle de la dépendance & Applications au risque, qui se tiendra à Luminy du 26 au 30 avril 2010, ici.