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

Resumen Técnico: Dos Medidas de Tipo Gini Ajustables con Estimación de Estadístico U

Enunciado del Problema
El coeficiente de Gini clásico, aunque es un punto de referencia estándar para medir la desigualdad de ingresos y riqueza debido a su interpretabilidad y facilidad de estimación, trata todas las diferencias pares entre observaciones por igual. Esta ponderación uniforme puede oscurecer patrones matizados de dispersión, particularmente en cuanto a cómo las disparidades extremas versus las brechas moderadas contribuyen a la desigualdad general. Los autores abordan la necesidad de medidas de desigualdad que permitan a los analistas ajustar la sensibilidad a la desigualdad en la cola sin abandonar el marco teórico del coeficiente de Gini.

Metodología
El artículo introduce dos nuevas familias de medidas de desigualdad, denotadas $G_p$ y $H_q$, que generalizan el coeficiente de Gini clásico ($G$) mediante parámetros ajustables $p > 1$ y $q > 0$, respectivamente.

1. Definiciones:

   • $G_p$: Definida mediante un núcleo logarítmico. Reemplaza la diferencia absoluta cruda $|X_1 - X_2|$ con un núcleo escalado $T(p)$ que involucra términos logarítmicos. Cuando $p \to \infty$, $G_p$ converge al Gini clásico.
   • $H_q$: Definida mediante un núcleo de diferencia de media de potencia $K(q)$, utilizando la diferencia entre la media de la potencia $q$ y la media de la potencia $-q$ de dos observaciones. Cuando $q \to \infty$, $H_q$ también converge al Gini clásico.

2. Propiedades Teóricas:

   • Se demuestra que ambas medidas son funciones crecientes de sus respectivos parámetros ($p$ y $q$), lo que implica que valores más altos aumentan la sensibilidad de la medida a las disparidades extremas (aversión a la desigualdad).
   • Ambas medidas convergen a 0 cuando los parámetros se acercan a sus límites inferiores ($p \to 1^+$ y $q \to 0^+$) y al Gini clásico cuando los parámetros se acercan al infinito.
   • Invarianza de Escala: Se nota una distinción clave: $H_q$ es invariante a la escala de razón (invariante bajo multiplicación escalar positiva de los ingresos), similar al Gini clásico. En contraste, $G_p$ no es invariante a la escala de razón; escalar la variable de ingresos es matemáticamente equivalente a cambiar el parámetro de ajuste $p$.
   • Ambas medidas están acotadas entre 0 y 1.

3. Estimación y Asintótica:

   • Los autores derivan estimadores de sustitución de estadísticos U en forma cerrada ($\hat{G}_p$ y $\hat{H}_q$) basados en datos de muestra.
   • Utilizando resultados estándar para estadísticos U (Hoeffding, 1948), establecen consistencia fuerte y normalidad asintótica para ambos estimadores bajo condiciones de momento leves (específicamente, momentos primero y segundo finitos de la distribución subyacente).
   • La varianza asintótica se deriva utilizando el método delta multivariado, proporcionando una base para construir intervalos de confianza y pruebas de hipótesis.

Resultados Empíricos y de Simulación

• Simulación Monte Carlo: Se realizó un estudio de simulación utilizando datos generados a partir de distribuciones Gamma con tamaños de muestra variables ($n \in \{30, 50, 100, 200, 500\}$) y valores de parámetros ($p, q \in \{1.1, 2, 5, 10, 50\}$).
  • Los resultados indican que el Error Relativo Absoluto Medio (MARE) y el Error Cuadrático Medio Raíz (RMSE) disminuyen a medida que aumenta el tamaño de la muestra.
  • Se encuentra que la aproximación normal asintótica es adecuada para tamaños de muestra $n \geq 100$.
  • El estudio confirma que valores de parámetros más grandes producen estimaciones más cercanas al Gini clásico, heredando sus propiedades de estimación favorables en esas configuraciones específicas.
• Aplicación Empírica: Las medidas se aplicaron a datos del PIB per cápita de 34 países de las Américas (2023).
  • Los datos se validaron contra una distribución Gamma utilizando las pruebas de Kolmogorov–Smirnov y Cramér–von Mises.
  • El análisis de los perfiles de sensibilidad (graficando estimaciones contra $p$ y $q$) reveló que $G_p$ aumenta bruscamente en valores bajos de $p$ antes de estabilizarse, mientras que $H_q$ aumenta de manera más gradual. Esto sugiere que las disparidades pares extremas son un impulsor significativo de la desigualdad en el conjunto de datos, y que valores moderados de $p$ capturan la mayor parte de este efecto.

Contribuciones Clave

1. Medidas Novedosas: La introducción de dos índices de desigualdad ajustables ($G_p$ y $H_q$) que cierran la brecha entre las medidas de dispersión estándar y el coeficiente de Gini clásico.
2. Teoría Estadística: La derivación de estimadores de estadísticos U en forma cerrada y la demostración rigurosa de su consistencia fuerte y normalidad asintótica.
3. Utilidad Práctica: La provisión de un marco para el análisis de sensibilidad. Al examinar el perfil de estimaciones en un rango de parámetros, los analistas pueden determinar si la desigualdad está distribuida uniformemente o impulsada por valores atípicos extremos, informando así la elección de una métrica de resumen apropiada.

Significado
El artículo afirma que estas medidas están diseñadas no para reemplazar el coeficiente de Gini, sino para complementarlo. Al permitir el ajuste de la sensibilidad a la desigualdad en la cola, estos índices ofrecen una visión más granular de las estructuras distributivas. Los autores enfatizan que la elección del parámetro ($p$ o $q$) debe guiarse por el marco normativo específico o la naturaleza de los datos (por ejemplo, si la unidad de medida debe afectar la evaluación). La capacidad de construir intervalos de confianza a través de las distribuciones asintóticas derivadas mejora aún más su aplicabilidad en el análisis de políticas y la investigación empírica.