Two Tunable Gini-Type Measures with U-Statistic Estimation: Theory, Simulation, and an Empirical Application to GDP per Capita in the Americas

Technische Zusammenfassung: Zwei einstellbare Gini-ähnliche Maße mit U-Statistik-Schätzung

Problemstellung
Der klassische Gini-Koeffizient gilt zwar aufgrund seiner Interpretierbarkeit und einfachen Schätzbarkeit als Standardmaßstab zur Messung von Einkommens- und Vermögensungleichheit, behandelt jedoch alle paarweisen Unterschiede zwischen Beobachtungen gleich. Diese einheitliche Gewichtung kann subtile Muster der Streuung verschleiern, insbesondere hinsichtlich des Beitrags extremer Disparitäten gegenüber moderaten Lücken zur Gesamtungleichheit. Die Autoren adressieren das Bedürfnis nach Ungleichheitsmaßen, die es Analysten ermöglichen, die Sensitivität gegenüber Ungleichheit im Tail anzupassen, ohne dabei den theoretischen Rahmen des Gini-Koeffizienten aufzugeben.

Methodik
Die Arbeit stellt zwei neue Familien von Ungleichheitsmaßen vor, bezeichnet als $G_p$ und $H_q$, welche den klassischen Gini-Koeffizienten ($G$) durch einstellbare Parameter $p > 1$ bzw. $q > 0$ verallgemeinern.

1. Definitionen:

   • $G_p$: Definiert über einen logarithmischen Kern. Er ersetzt die rohe absolute Differenz $|X_1 - X_2|$ durch einen skalierten Kern $T(p)$, der logarithmische Terme enthält. Für $p \to \infty$ konvergiert $G_p$ gegen den klassischen Gini-Koeffizienten.
   • $H_q$: Definiert über einen Kern der Differenz von Potenzmitteln $K(q)$, welcher die Differenz zwischen dem $q$-ten Potenzmittel und dem $(-q)$-ten Potenzmittel zweier Beobachtungen verwendet. Für $q \to \infty$ konvergiert auch $H_q$ gegen den klassischen Gini-Koeffizienten.

2. Theoretische Eigenschaften:

   • Es wird gezeigt, dass beide Maße monoton steigende Funktionen ihrer jeweiligen Parameter ($p$ und $q$) sind, was impliziert, dass höhere Werte die Sensitivität des Maßes gegenüber extremen Disparitäten erhöhen (Ungleichheitsaversion).
   • Beide Maße konvergieren gegen 0, wenn sich die Parameter ihren unteren Schranken nähern ($p \to 1^+$ und $q \to 0^+$), und gegen den klassischen Gini-Koeffizienten, wenn die Parameter gegen unendlich gehen.
   • Skaleninvarianz: Ein wesentlicher Unterschied wird hervorgehoben: $H_q$ ist ratioskaleninvariant (invariant gegenüber positiver skalaren Multiplikation des Einkommens), ähnlich dem klassischen Gini-Koeffizienten. Im Gegensatz dazu ist $G_p$ nicht ratioskaleninvariant; die Skalierung der Einkommensvariable ist mathematisch äquivalent zur Änderung des Einstellparameters $p$.
   • Beide Maße sind zwischen 0 und 1 beschränkt.

3. Schätzung und Asymptotik:

   • Die Autoren leiten geschlossene Plug-in-Schätzer auf Basis von U-Statistiken ($\hat{G}_p$ und $\hat{H}_q$) aus Stichprobendaten ab.
   • Unter Verwendung standardmäßiger Ergebnisse für U-Statistiken (Hoeffding, 1948) etablieren sie die starke Konsistenz und asymptotische Normalität für beide Schätzer unter milden Momentenbedingungen (insbesondere endliche erste und zweite Momente der zugrundeliegenden Verteilung).
   • Die asymptotische Varianz wird mittels der multivariaten Delta-Methode abgeleitet und bietet eine Grundlage für die Konstruktion von Konfidenzintervallen und Hypothesentests.

Empirische und Simulationsergebnisse

• Monte-Carlo-Simulation: Eine Simulationsstudie wurde mit Daten durchgeführt, die aus Gamma-Verteilungen mit variierenden Stichprobengrößen ($n \in \{30, 50, 100, 200, 500\}$) und Parameterwerten ($p, q \in \{1.1, 2, 5, 10, 50\}$) generiert wurden.
  • Die Ergebnisse zeigen, dass der mittlere absolute relative Fehler (MARE) und der quadratische mittlere Fehler (RMSE) mit zunehmender Stichprobengröße abnehmen.
  • Die asymptotische Normalapproximation wird für Stichprobengrößen $n \geq 100$ als angemessen befunden.
  • Die Studie bestätigt, dass größere Parameterwerte Schätzungen liefern, die dem klassischen Gini-Koeffizienten näher kommen und in diesen spezifischen Konfigurationen dessen günstige Schätzeigenschaften erben.
• Empirische Anwendung: Die Maße wurden auf Daten zum Pro-Kopf-BIP von 34 Ländern in Amerika (2023) angewendet.
  • Die Daten wurden mittels Kolmogorow-Smirnow- und Cramér-von-Mises-Tests gegen eine Gamma-Verteilung validiert.
  • Die Analyse der Sensitivitätsprofile (Darstellung der Schätzwerte gegen $p$ und $q$) ergab, dass $G_p$ bei niedrigen $p$-Werten steil ansteigt, bevor es sich einpendelt, während $H_q$ gradueller ansteigt. Dies deutet darauf hin, dass extreme paarweise Disparitäten ein wesentlicher Treiber der Ungleichheit im Datensatz sind und dass moderate Werte von $p$ den Großteil dieses Effekts erfassen.

Hauptbeiträge

1. Neuartige Maße: Die Einführung zweier einstellbarer Ungleichheitsindizes ($G_p$ und $H_q$), die die Lücke zwischen Standardstreuungsmaßen und dem klassischen Gini-Koeffizienten schließen.
2. Statistische Theorie: Die Ableitung geschlossener U-Statistik-Schätzer und der rigorose Beweis ihrer starken Konsistenz und asymptotischen Normalität.
3. Praktischer Nutzen: Die Bereitstellung eines Rahmens für die Sensitivitätsanalyse. Durch die Untersuchung des Profils der Schätzwerte über einen Bereich von Parametern hinweg können Analysten bestimmen, ob Ungleichheit gleichmäßig verteilt ist oder durch extreme Ausreißer getrieben wird, was die Wahl eines geeigneten zusammenfassenden Maßes informiert.

Bedeutung
Die Autoren behaupten, dass diese Maße nicht dazu konzipiert sind, den Gini-Koeffizienten zu ersetzen, sondern ihn zu ergänzen. Durch die Möglichkeit, die Sensitivität gegenüber Ungleichheit im Tail anzupassen, bieten diese Indizes einen differenzierteren Blick auf Verteilungsstrukturen. Die Autoren betonen, dass die Wahl des Parameters ($p$ oder $q$) vom spezifischen normativen Rahmen oder der Beschaffenheit der Daten geleitet sein sollte (z. B. ob die Maßeinheit die Bewertung beeinflussen sollte). Die Fähigkeit, Konfidenzintervalle über die abgeleiteten asymptotischen Verteilungen zu konstruieren, erhöht zudem ihre Anwendbarkeit in der Politikanalyse und empirischen Forschung.