A Novel Subgroup Decomposition of Income Inequality: Resolving the Information Mixture Problem

Das große wirtschaftliche Rätsel: Warum wir ein besseres Lineal brauchen

Stellen Sie sich vor, Sie versuchen herauszufinden, warum eine Gruppe von Freunden so unterschiedliche Mengen an Süßigkeiten hat. Die einen haben einen Berg, die anderen nur ein paar Stücke und manche gar nichts. Ökonomen nennen das „Einkommensungleichheit“ und verbringen viel Zeit damit, es zu messen. Aber hier ist der knifflige Teil: Um zu verstehen, warum die Süßigkeiten ungleich verteilt sind, müssen Sie das Problem in kleinere Teile zerlegen. Sie wollen wissen: Liegt die Ungerechtigkeit daran, dass die Gruppen selbst unterschiedlich sind (wie zum Beispiel eine Gruppe, die eine riesige Menge Süßigkeiten bekommt, während eine andere eine winzige Menge erhält)? Oder liegt es daran, dass innerhalb einer einzelnen Gruppe manche Kinder mehr horten als andere?

Seit Jahrzehnten ist die Standardmethode zur Messung dieses Phänomens vergleichbar mit einem Lineal, das an der „Durchschnittsgröße“ einer Gruppe ansetzt. Wenn Sie die Größe aller Personen von diesem Durchschnitt aus messen, erhalten Sie eine Zahl, die angibt, wie weit sie auseinanderliegen. Aber diese Methode hat einen verborgenen Fehler. Sie vermischt zwei verschiedene Dinge: die Tatsache, dass jeder etwas an Süßigkeiten hat (die Basislinie), und die Tatsache, dass das zusätzliche Konfekt ungleich verteilt ist. Es ist, als würde man versuchen, die Unordnung in einem Zimmer zu messen, indem man den Abstand jedes Objekts von der Mitte des Raumes misst, obwohl der Boden selbst mit einer dicken, unebenen Teppichschicht bedeckt ist, auf der alle stehen. Wenn man diesen Teppich nicht berücksichtigt, ist die Messung der Unordnung falsch. Dieses Paper befasst sich genau mit diesem Problem und schlägt einen neuen Weg vor, die „Unordnung“ zu messen, der den Teppich ignoriert und sich nur auf die verstreuten Spielzeuge konzentriert.

Der Teppich und die Spielzeuge: Ein neuer Weg, die Unordnung zu messen

Die Autoren dieses Papers, Joongyang Park, Muhammad Hamza und Youngsoon Kim, argumentieren, dass die alte Art, Einkommensungleichheit zu messen, unter einem Problem leidet, das sie das „Informationsmischungsproblem“ nennen. Um dies zu beheben, haben sie ein neues mathematisches Werkzeug entwickelt, das auf einem Konzept namens „ungleich verteiltem (UD) Einkommen“ basiert.

So funktioniert ihre neue Methode, erklärt anhand einer einfachen Analogie. Stellen Sie sich eine Gesellschaft als eine Gruppe von Menschen vor, die auf einem Boden stehen. Die alte Methode betrachtet, wie weit jeder von der durchschnittlichen Höhe entfernt ist. Die neue Methode sagt: „Moment mal! Lassen Sie uns zuerst den Boden abschneiden.“

1. Die egalitäre Basislinie (Der Boden): Die Autoren sagen, dass jeder Mensch ein „Minimum“ an Einkommen hat, das mit allen geteilt wird, wie ein Boden, auf dem alle stehen. In ihrer Mathematik ist dies das niedrigste Einkommen in der Gruppe.
2. Der ungleiche Überschuss (Die Spielzeuge): Sobald man diesen gemeinsamen Boden entfernt, bleibt der „Überschuss“ übrig. Dies ist das zusätzliche Einkommen, das manche Menschen haben und andere nicht. Dies ist der „ungleich verteilte“ Teil.
3. Das neue Lineal (RUD-Einkommen): Sie nehmen dann diesen Überschuss und messen ihn gegenüber einem „perfekt gleichen“ Zustand, in dem jeder einen Überschuss von Null hat (weil alle nur den Boden besitzen).

Das Paper schlägt einen spezifischen Index vor, den $L^2_{2,q}$-Index, um die Distanz zwischen der tatsächlichen Verteilung dieser „Spielzeuge“ und einem perfekten Zustand von Null Spielzeugen zu messen. Betrachten Sie es als Messung der gesamten Energie der verstreuten Spielzeuge. Wenn jeder die gleiche Menge an zusätzlichem Konfekt hat, sind die Spielzeuge ordentlich gestapelt (geringe Ungleichheit). Wenn ein Kind einen Berg hat und der Rest nichts, sind die Spielzeuge überall verstreut (hohe Ungleichheit).

Was sie fanden: Die Magie der reinen Mathematik

Die Autoren haben nicht nur geraten; sie haben einen mathematischen Beweis erbracht, um zu zeigen, warum ihr neues Lineal besser ist. Sie haben demonstriert, dass ihre Methode zwei große Kopfschmerzen löst, die alten Methoden zuschreiben:

• Keine Verwechslung durch „Überlappung“: Alte Methoden, wie der berühmte Gini-Koeffizient, erzeugen oft einen verwirrenden „Überlappungsterm“, wenn man versucht, die Daten in Gruppen aufzuteilen (wie das Aufteilen der Süßigkeiten in „Jungen“ und „Mädchen“). Es ist, als würde man versuchen, zwei Zahlen zu addieren und eine dritte, mysteriöse Zahl zu erhalten, die zu keiner der beiden gehört. Die neue Methode der Autoren ist „streng additiv“. Das bedeutet, wenn man die Ungleichheit für Gruppe A und Gruppe B separat berechnet und diese dann zusammenzählt, erhält man die exakte gesamte Ungleichheit der gesamten Gesellschaft. Keine mysteriösen Zahlen, keine Reste.
• Der „Boden“ bringt die Mathematik nicht aus dem Gleichgewicht: Ein großes Problem anderer Methoden ist, dass sich die gesamte Messung verändert, wenn sich der „Boden“ (das Mindesteinkommen) ändert. Die Autoren haben bewiesen, dass ihr neuer Index, der $L^2_{2,q}$, konsistent bleibt, selbst wenn sich der Boden verschiebt. Er respektiert das sogenannte „Pigou-Dalton-Transferprinzip“, das im Grunde besagt: „Wenn man einer reichen Person einen Dollar wegnimmt und ihn einer armen Person gibt, sollte die Ungleichheit sinken.“ Ihre Mathematik zeigt, dass dies perfekt geschieht, selbst wenn der Boden der ärmsten Person steigt.

Ein Testlauf mit fünf Personen

Um ihren Punkt zu beweisen, führten die Autoren eine Simulation mit einer winzigen Gesellschaft von nur fünf Personen mit Einkommen von 1, 2, 3, 4 und 5 durch.

• Der alte Weg: Würde die Streuung um den Durchschnitt (3) messen.
• Der neue Weg: Entfernt zuerst den „Boden“ von 1. Die neuen Einkommen werden zu 0, 1, 2, 3 und 4. Dann skalieren sie diese so, dass sie relativ zum Durchschnitt sind.
• Das Ergebnis: Sie teilten diese Gruppe in zwei Teile auf: eine „untere Ebene“ (1 und 2) und eine „obere Ebene“ (3, 4 und 5). Mit ihrer neuen Formel konnten sie perfekt berechnen, wie viel der gesamten „Unordnung“ durch den Unterschied zwischen den beiden Ebenen im Vergleich zu der Unordnung innerhalb jeder Ebene verursacht wurde. Die Mathematik ging perfekt auf: Die Summe der Teile entsprach dem Ganzen, ohne Fehler.

Warum das wichtig ist (und was als Nächstes kommt)

Das Paper kommt zu dem Schluss, dass wir durch die Verwendung dieses neuen „Relativen Ungleich Verteilten“ (RUD) Frameworks endlich die wahre Struktur der Einkommensungleichheit sehen können, ohne die Verzerrung durch die Basislinie. Es ist, als würde man die Linse einer Kamera reinigen, damit man das eigentliche Bild sieht und nicht nur die Blendung.

Die Autoren weisen jedoch vorsichtig darauf hin, dass die Anwendung dieser Methode in der realen Welt eine Herausforderung darstellt. Um diese Methode auf reale Daten anzuwenden, muss man genau wissen, wo der „Boden“ (das Mindesteinkommen) liegt. In einer echten Wirtschaft ist es schwierig, dieses exakte Minimum zu finden, und es hängt davon ab, wie man die Daten modelliert. Die Autoren schlagen vor, dass die zukünftige Forschung herausfinden muss, wie man diesen Boden am besten schätzt, etwa indem man untersucht, wie andere Arten von Daten (wie die Größe von Regentropfen oder die Lebensdauer von Glühbirnen) modelliert werden.

Kurz gesagt: Dieses Paper bietet nicht nur eine neue Zahl, sondern eine neue Denkweise. Es legt nahe, dass wir, um wirklich zu verstehen, warum manche Menschen mehr haben als andere, zuerst vereinbaren müssen, wie „Nichts haben“ aussieht, und dann alles andere von diesem Punkt aus messen müssen. Es ist eine frische Perspektive, die verspricht, unsere wirtschaftlichen Karten viel klarer zu machen – vorausgesetzt, wir finden einen Weg, die Startlinie zu ziehen.