Unbiased estimation in new Gini index extensions under gamma distributions, with application to real income data

Technisches Resümee: Unverzerrte Schätzung in neuen Erweiterungen des Gini-Index unter Gamma-Verteilungen

Problemstellung
Der klassische Gini-Index, obwohl weit verbreitet zur Messung der Einkommensungleichheit, verdichtet die gesamte Verteilung auf einen einzigen Skalarwert. Diese Aggregation kann kritische Verteilungsmerkmale verschleiern, wie etwa die Frage, ob die Ungleichheit in den unteren, mittleren oder oberen Enden (Tails) der Verteilung konzentriert ist. Jüngste Erweiterungen, wie der $m$-te Gini-Index (Gavilan-Ruiz et al., 2024), verallgemeinern das klassische Maß, indem sie die erwartete Spanne von Stichproben der Größe $m$ berücksichtigen. Diese Maße bleiben jedoch aggregierte Indikatoren und liefern keine Erkenntnisse darüber, wie Ungleichheit relativ zu spezifischen Positionen innerhalb der Stichprobe verteilt ist, insbesondere im Hinblick auf die unteren und oberen Extremwerte. Es besteht ein Bedarf an Maßen, die eine „positionsorientierte“ Bewertung der Ungleichheit ermöglichen und gleichzeitig wünschenswerte statistische Eigenschaften aufweisen, wie etwa Unverzerrtheit unter spezifischen Verteilungsannahmen, die in der ökonomischen Modellierung üblich sind.

Methodik
Die Autoren führen zwei neue Maße ein: den erweiterten unteren Gini-Index ($IG_{m;\min}$) und den erweiterten oberen Gini-Index ($IG_{m;\max}$). Diese sind definiert für eine nicht-negative Zufallsvariable $X$ mit dem Erwartungswert $\mu$ und einer Stichprobengröße $m \geq 2$:

• $IG_{m;\min} = \frac{E[X_1 - \min\{X_1, \dots, X_m\}]}{m\mu}$
• $IG_{m;\max} = \frac{E[\max\{X_1, \dots, X_m\} - X_1]}{m\mu}$

Diese Indizes quantifizieren die Ungleichheit relativ zu den unteren bzw. oberen Enden. Bemerkenswerterweise summieren sie sich zum $m$-ten Gini-Index ($IG_m$). Die Populationskoeffizienten sind aufgrund der Austauschbarkeit invariant gegenüber der spezifisch gewählten Beobachtung, wenngleich die Stichproben-Schätzer von der gewählten Position $i$ abhängen.

Die Arbeit konzentriert sich auf Gamma-verteilte Populationen ($X \sim \text{Gamma}(\alpha, \lambda)$), eine Wahl, die durch die Verbreitung dieser Verteilung in der Modellierung von Einkommen und ihre analytische Handhabbarkeit hinsichtlich der Ordnungsstatistiken motiviert ist. Die Autoren:

1. Leiten Schätzer ab: Konstruieren stichprobenbasierte Schätzer ($\widehat{d}_i IG_{m;\min}$ und $\widehat{d}_i IG_{m;\max}$) unter Verwendung von U-Statistiken über alle möglichen Teilstichproben der Größe $m$ aus einer Stichprobe der Größe $n$.
2. Etablieren asymptotische Eigenschaften: Beweisen Konsistenz und asymptotische Normalität unter milden Regularitätsbedingungen unter Verwendung des starken Gesetzes der großen Zahlen für U-Statistiken und der Hoeffding-Zerlegung.
3. Weisen Unverzerrtheit nach: Nutzen Laplace-Transformations-Techniken und spezifische Eigenschaften der Gamma-Verteilung, um exakte Ausdrücke für die Erwartungswerte der Schätzer abzuleiten. Die Autoren zeigen, dass die Schätzer für Gamma-Populationen unverzerrt sind, d. h. $E[\widehat{d}_i IG_{m;\min}] = IG_{m;\min}$ und $E[\widehat{d}_i IG_{m;\max}] = IG_{m;\max}$.
4. Charakterisieren Eigenschaften: Etablieren Skaleninvarianz, mangelnde Translationsinvarianz und Kovarianzrepräsentationen unter Einbeziehung der Verteilungsfunktion $F$.

Zentrale Ergebnisse

• Theoretische Unverzerrtheit: Die Arbeit liefert exakte Finite-Sample-Ausdrücke für die Erwartungswerte der vorgeschlagenen Schätzer unter dem Gamma-Modell und beweist damit deren Unverzerrtheit. Dies erweitert vorangegangene Ergebnisse von Deltas (2003) und Baydil et al. (2025) bezüglich des $m$-ten Gini-Index.
• Zerlegung: Die Summe der erweiterten unteren und oberen Indizes stellt den $m$-ten Gini-Index wieder her, was eine Zerlegung der Gesamtungleichheit in Komponenten des unteren und oberen Endes ermöglicht.
• Simulationsleistung: Monte-Carlo-Simulationen (500 Replikationen) für Gamma(2, 1)-Daten mit Stichprobengrößen $n \in \{10, 30, 50, 100, 200\}$ und $m=3$ bestätigen die theoretischen Befunde. Die Schätzer weisen einen geringen empirischen Bias auf, der mit der Stichprobengröße abnimmt, sowie einen mittleren quadratischen Fehler (MSE), der wie erwartet konvergiert, was die Behauptungen zur Konsistenz und Unverzerrtheit stützt.
• Empirische Anwendung: Die Methodik wurde auf die BIP-pro-Kopf-Daten 2023 von 11 südamerikanischen Ländern angewendet. Die Daten wurden an eine Gamma-Verteilung angepasst (validiert mittels KS- und Cramér-von Mises-Tests). Heatmaps der geschätzten Indizes über verschiedene $m$- und $i$-Werte offenbarten systematische Muster:
  • Der erweiterte untere Index stieg mit $i$ und $m$, was die Sensitivität gegenüber der Streuung im unteren Ende widerspiegelt.
  • Der erweiterte obere Index lieferte höhere Werte als der untere Index bei gleichen Parametern, was den größeren Einfluss der maximalen Ordnungsstatistik widerspiegelt.
  • Die Analyse zeigte, dass diese Indizes eine reichhaltigere Charakterisierung der Ungleichheit als ein einzelner aggregierter Koeffizient bieten, indem sie distinkte Merkmale der Einkommensverteilung an beiden Enden aufzeigen.

Bedeutung und Ansprüche
Die Autoren behaupten, dass dies die ersten Gini-Typ-Maße sind, die den Beitrag zur Ungleichheit relativ zu den unteren und oberen Stichprobenextremen explizit trennen und gleichzeitig sowohl exakte Finite-Sample-Unverzerrtheit unter Gamma-Modellen als auch Standard-Großstichproben-Inferenz-Eigenschaften besitzen.

Das Papier betont, dass die vorgeschlagenen Indizes im Gegensatz zu traditionellen Gini-Maßen eine „positionsorientierte Perspektive“ bieten, die es Forschern ermöglicht, zu bewerten, wie sich Ungleichheit relativ zu spezifischen Verteilungsenden manifestiert. Durch die Bereitstellung unverzerrter Schätzer für Gamma-Populationen – ein häufiges Modell für ökonomische Daten – argumentieren die Autoren, dass diese Maße als nützliche komplementäre Werkzeuge zur Analyse von Ungleichheit dienen können, die in der Lage sind, Verteilungsmerkmale aufzuzeigen, die bei der Verwendung eines einzelnen aggregierten Koeffizienten verborgen bleiben könnten. Die Arbeit erweitert die Literatur über Gini-Typ-Maße, indem sie die Lücke zwischen aggregierten, bereichsbasierten Maßen und positionsspezifischer Ungleichheitsbewertung schließt.