Unifying the Hoover and Gini indices: Analytical, bias, and computational aspects

A continuación presento un resumen técnico detallado del artículo "Unifying the Hoover and Gini indices: Analytical, bias, and computational aspects" (Unificando los índices de Hoover y Gini: Aspectos analíticos, de sesgo y computacionales), escrito por Roberto Vila, Helton Saulo y Felipe Quintino.

1. Planteamiento del Problema

Las medidas de desigualdad económica, específicamente el Índice de Hoover (también conocido como índice de Robin Hood) y el Coeficiente de Gini, son fundamentales en economía y ciencias sociales. Sin embargo, estos dos índices clásicos enfatizan aspectos diferentes de la dispersión:

• El Índice de Hoover ($H$) se basa en la desviación absoluta media respecto a la media ($\frac{1}{2\mu}E|X-\mu|$), ofreciendo una interpretación redistributiva directa.
• El Coeficiente de Gini ($G$) se basa en las diferencias pares entre individuos ($\frac{1}{2\mu}E|X_1-X_2|$) y está estrechamente ligado a la curva de Lorenz.

Aunque ambos miden desigualdad, pueden conducir a conclusiones diferentes, especialmente en distribuciones con alta asimetría o valores extremos. La literatura carecía de un marco unificado que permitiera una interpolación continua entre estas dos medidas para realizar análisis de sensibilidad sobre el concepto mismo de desigualdad.

2. Metodología y Propuesta Teórica

Los autores proponen una nueva familia de índices de desigualdad ($I_\lambda$) que actúa como un puente continuo entre $H$ y $G$.

• Definición del Índice: Para un parámetro de interpolación $\lambda \in [0, 1]$, el índice se define como:
  $$I_\lambda = \frac{1}{2\mu} E \left| (1-\lambda)(X_1 - \mu) + \lambda(X_1 - X_2) \right|$$
  Donde $X_1, X_2$ son copias independientes de la variable de ingreso $X$ y $\mu = E[X]$.

  • Si $\lambda = 0$, $I_0 = H$ (Índice de Hoover).
  • Si $\lambda = 1$, $I_1 = G$ (Coeficiente de Gini).

• Propiedades Teóricas Establecidas:

  • Invarianza de escala: El índice no depende de la unidad de medida.
  • Principio de Transferencia Pigou-Dalton: Cumple con el principio de que una transferencia de ingresos de un rico a un pobre (sin cambiar el orden) reduce la desigualdad.
  • Acotación: $0 \leq I_\lambda \leq G \leq 1$.
  • Continuidad: La función $\lambda \mapsto I_\lambda$ es continua en $[0, 1]$.

• Representaciones Analíticas:

  • Se derivan formas integrales generales para poblaciones no negativas.
  • Para distribuciones Gamma ($X \sim \text{Gamma}(\alpha, \beta)$), se obtienen expresiones cerradas que involucran funciones gamma incompletas ($\Gamma(s, x)$). Esto permite el cálculo explícito del valor poblacional del índice.

3. Estimación Estadística y Sesgo

El estudio se centra en las propiedades del estimador de inserción (plug-in estimator), denotado como $\hat{I}_\lambda$, que reemplaza la media poblacional $\mu$ por la media muestral $\bar{X}$ y la esperanza por el promedio muestral.

• Derivación del Valor Esperado: Utilizando técnicas de transformada de Laplace y cambio de medida exponencial (exponential tilting), los autores derivan una expresión general para la esperanza $E[\hat{I}_\lambda]$.
• Análisis de Sesgo en Distribuciones Gamma:
  • Se especializan los resultados para poblaciones Gamma.
  • Se demuestra que el estimador es sesgado para valores intermedios de $\lambda$.
  • Se obtiene una fórmula explícita para el sesgo, que involucra la distribución Hipoexponencial Generalizada (GHypo) y funciones hipergeométricas confluentes.
  • Se verifica que el estimador recupera propiedades conocidas: el sesgo tiende a cero cuando $\lambda \to 0$ (coincidiendo con resultados previos para Hoover) y el estimador de Gini ($\lambda \to 1$) es insesgado para poblaciones Gamma, un resultado bien establecido en la literatura.

4. Resultados de la Simulación (Monte Carlo)

Se realizó un estudio de simulación para evaluar el rendimiento en muestras finitas bajo distribuciones Gamma con diferentes parámetros de forma ($\alpha$) y tamaños de muestra ($n$).

• Configuración: Se probaron valores de $\alpha \in \{0.5, 1, 2, 5, 10\}$, $\lambda \in \{0.25, 0.50, 0.75\}$ y $n \in \{10, 20, 40, 80, 120\}$.
• Hallazgos Clave:
  • Convergencia: El sesgo y el Error Cuadrático Medio (MSE) disminuyen sistemáticamente a medida que aumenta el tamaño de la muestra $n$.
  • Efecto de la Asimetría: Las distribuciones más sesgadas (valores bajos de $\alpha$) presentan un mayor sesgo y variabilidad, lo cual es consistente con la dificultad de estimar medidas de desigualdad en poblaciones altamente asimétricas.
  • Comparación con el índice competidor $J_\lambda$: Se comparó $\hat{I}_\lambda$ con un índice alternativo más simple definido como la combinación lineal de los estimadores de Hoover y Gini ($\hat{J}_\lambda = (1-\lambda)\hat{H} + \lambda\hat{G}$). Los resultados muestran que, aunque $J_\lambda$ es matemáticamente más simple, su estimador tiene un sesgo mayor que el estimador propuesto $\hat{I}_\lambda$.

5. Aplicación Empírica

Se aplicó el índice propuesto a datos del PIB per cápita (en paridad de poder adquisitivo) de países de las Américas (datos del Banco Mundial).

• Se calcularon los valores de Hoover ($0.229$) y Gini ($0.329$).
• Los valores intermedios de $\hat{I}_\lambda$ mostraron una transición suave y continua entre ambos extremos.
• La gráfica de la función $\lambda \mapsto \hat{I}_\lambda$ confirmó la flexibilidad del índice, permitiendo a los investigadores evaluar cómo cambia la percepción de la desigualdad al ponderar más las desviaciones de la media o las diferencias pares.

6. Significado y Contribuciones

Este trabajo ofrece contribuciones significativas en tres frentes:

1. Unificación Teórica: Proporciona un marco paramétrico único que une dos de las medidas de desigualdad más importantes, permitiendo un análisis de sensibilidad sobre la definición de desigualdad.
2. Avance Analítico: Deriva representaciones exactas para distribuciones Gamma, incluyendo fórmulas complejas para el sesgo del estimador, lo cual es un avance técnico notable en la teoría de estimación de desigualdad.
3. Utilidad Práctica: Demuestra mediante simulaciones y datos reales que el estimador propuesto tiene un buen rendimiento en muestras finitas y ofrece una herramienta flexible para el análisis de políticas públicas, superando en precisión (menor sesgo) a las combinaciones lineales simples de estimadores clásicos.

En conclusión, el índice $I_\lambda$ no solo es una generalización matemática, sino una herramienta estadísticamente robusta que enriquece el análisis de la desigualdad económica al permitir una transición controlada entre diferentes perspectivas de dispersión.