Mind the Income Gap: Bias Correction of Inequality Estimators in Small-Sized Samples

Resumen Técnico: Atender la brecha de ingresos: Corrección del sesgo de los estimadores de desigualdad en muestras de tamaño pequeño

Planteamiento del problema
La estimación de la desigualdad de ingresos en dominios pequeños (por ejemplo, regiones específicas o grupos sociodemográficos) se ve frecuentemente obstaculizada por la escasez de datos. Aunque se emplean técnicas de Estimación de Áreas Pequeñas (SAE, por sus siglas en inglés) para mejorar la fiabilidad mediante el "préstamo de fuerza" entre áreas, estas suelen basarse en modelos a nivel de área (como el modelo de Fay-Herriot) que asumen que los estimadores de las encuestas de entrada son insesgados. Sin embargo, los estimadores de desigualdad (por ejemplo, Gini, Entropía Generalizada, Atkinson) son funciones intrínsecamente no lineales de los datos de ingresos. En muestras pequeñas, particularmente bajo diseños de encuesta complejos que involucran estratificación y muestreo multietápico, estos estimadores exhiben un sesgo significativo, que típicamente conduce a una subestimación de la desigualdad. Descuidar este sesgo resulta en una especificación errónea del modelo e inferencias engañosas, especialmente al comparar la desigualdad a través del tiempo o de ubicaciones con tamaños de muestra dispares. Además, la literatura existente sobre corrección de sesgo se limita en gran medida a muestras independientes e idénticamente distribuidas (iid) o a medidas específicas como el índice de Gini, dejando un vacío para los diseños de encuestas complejas y clases más amplias de medidas de desigualdad.

Metodología
Los autores proponen un marco de corrección de sesgo basado en el diseño que generaliza los enfoques previos para iid (específicamente Breunig y Hutchinson, 2008) a poblaciones finitas con diseños de muestreo complejos. El núcleo de la metodología se basa en expansiones de la serie de Taylor de segundo orden de los estimadores de desigualdad alrededor de sus valores poblacionales.

Componentes metodológicos clave:

1. Formulación general del sesgo: Los autores derivan una expresión general para el sesgo aproximado de un estimador de desigualdad $\hat{\theta} = f(\hat{\mu}, \hat{\gamma})$, donde $\hat{\mu}$ es la media muestral y $\hat{\gamma}$ es un estimador de Horvitz-Thompson de una variable de ingreso transformada. El sesgo se expresa como una función de las varianzas de diseño y las covarianzas de estos componentes ($V[\hat{\mu}]$, $V[\hat{\gamma}]$, $Cov[\hat{\mu}, \hat{\gamma}]$).
2. Alcance de las medidas: El marco se aplica a una amplia clase de medidas, incluyendo el Índice de Gini, la familia de la Entropía Generalizada (GE, que cubre la Desviación Logarítmica Media, el índice de Theil y otros) y la familia de Atkinson.
3. Adaptación a encuestas complejas: Para manejar diseños complejos, los autores utilizan la técnica de "Clústeres Últimos" para la estimación de la varianza, acomodando estratos tanto Auto-Representativos (SR) como No Auto-Representativos (NSR). Para el índice de Gini, donde el estimador de rango es no lineal, se emplea un enfoque de linealización (Graf, 2011; Graf y Tillé, 2014) para facilitar la estimación de la varianza.
4. Naturaleza no paramétrica: El enfoque no requiere supuestos paramétricos respecto a la distribución subyacente de los ingresos, lo que aumenta su flexibilidad.

Contribuciones clave

• Primera aplicación a Atkinson y GE en encuestas complejas: Hasta donde los autores saben, esta es la primera propuesta de corrección de sesgo para los índices de Atkinson y de Entropía Generalizada específicamente dentro del contexto de diseños de encuestas complejas.
• Extensión de la corrección de Gini: El artículo extiende las correcciones existentes de Gini (por ejemplo, Davidson, 2009; Fabrizi y Trivisano, 2016) utilizando una expansión de la serie de Taylor de segundo orden en lugar de una de primer orden, lo que resulta en un término de ajuste más refinado.
• Marco basado en el diseño: La metodología contabiliza explícitamente las estructuras de correlación introducidas por la estratificación, el muestreo multietápico y los tratamientos post-encuesta (calibración/imputación), yendo más allá de las limitaciones de los supuestos iid.

Resultados
La eficacia del marco propuesto fue evaluada mediante un estudio de simulación basado en el diseño utilizando datos de la EU-SILC italiana de 2017 en 21 regiones NUTS-2. Se probaron dos escenarios: uno con datos brutos y otro con valores extremos tratados (usando modelado de cola de Pareto semiparamétrico).

• Reducción del sesgo: La estrategia de corrección demostró una reducción notable en el Sesgo Relativo (RB) para todas las medidas consideradas. En el escenario de población tratada con una tasa de muestreo del 1.5%, las reducciones de sesgo oscilaron entre aproximadamente el 5% (para el Coeficiente de Variación) y el 14% (para el índice de Gini).
• Dependencia del tamaño de la muestra: Se confirmó que el sesgo es un fenómeno de muestras pequeñas. Para tamaños de muestra superiores a 20 individuos, los estimadores corregidos por sesgo se acercaron a una insesgadez aproximada.
• Robustez ante valores atípicos: Las medidas sensibles a valores extremos (por ejemplo, GE con $\alpha=2$, Atkinson con $\epsilon=2$) exhibieron un mayor sesgo en los datos no tratados. Si bien la corrección redujo el sesgo, los autores señalan que para poblaciones con valores extremos, sigue siendo aconsejable centrarse en medidas robustas (Gini, GE con $\alpha=0$, Atkinson con $\epsilon=1$).
• Compromiso de varianza: La corrección indujo un aumento ligero, generalmente insignificante, en el Error Relativo Absoluto (ARE) para la mayoría de las medidas, excepto para el índice de Gini, donde la inflación de la varianza fue más pronunciada debido a la forma específica del ajuste del estimador insesgado.

Aplicación en la Estimación de Áreas Pequeñas (SAE)
Los autores realizaron un ejercicio ilustrativo de SAE utilizando el modelo de Fay-Herriot para demostrar las consecuencias prácticas de ignorar el sesgo.

• Especificación errónea del modelo: El uso de estimaciones de encuesta no corregidas (sesgadas) como entradas condujo a una especificación errónea del modelo.
• Subestimación: Los estimaciones basadas en modelos (EBLUP) resultantes subestimaron consistentemente los niveles de desigualdad en comparación con aquellos derivados de las entradas corregidas por sesgo. Esta subestimación fue particularmente severa para el índice de Gini.
• Conclusión sobre SAE: El ejercicio confirma que la corrección de sesgo preliminar es un paso necesario antes de aplicar modelos de SAE de nivel de área a los datos de desigualdad para evitar inferencias de política engañosas.

Significancia y Reivindicaciones
El artículo sostiene que ignorar el sesgo de muestra pequeña de los estimadores de desigualdad en encuestas complejas conduce a una subestimación sistemática de la desigualdad, un problema que se exacerba en dominios pequeños y cuando hay presencia de valores extremos. El marco propuesto ofrece una solución flexible y no paramétrica que reduce significativamente este sesgo sin requerir supuestos distributivos fuertes. Los autores posicionan este trabajo como un refinamiento crítico para investigadores y responsables de políticas que dependen de estimaciones locales de desigualdad, argumentando que una medición precisa requiere abordar el sesgo ex-ante antes de aplicar modelos de áreas pequeñas. Señalan modestamente que, aunque los resultados de la simulación son prometedores, se basan en datos específicos (EU-SILC italiana) y deben verse como una referencia y no como una conclusión universal, sugiriendo direcciones de investigación futuras tales como marcos de SAE multivariantes y extensiones para medidas basadas en quintiles.