The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis

A continuación presento un resumen técnico detallado del artículo "The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis" (El índice de desigualdad aritmético-armónico: Teoría, inferencia y análisis de muestras finitas), escrito por Roberto Vila y Helton Saulo.

1. Planteamiento del Problema

El artículo aborda la necesidad de contar con medidas de dispersión para variables aleatorias positivas que sean:

• Bounded (Acotadas): Limitadas en un rango finito, específicamente en $[0, 1)$.
• Scale-invariant (Invarianes de escala): No dependientes de las unidades de medida.
• Interpretables: Vinculadas a conceptos estadísticos clásicos como la media aritmética y la media armónica.

Los autores proponen y estudian el Índice de Desigualdad Aritmético-Armónico (AHI), definido para una variable aleatoria positiva $X$ con esperanza finita y esperanza de su recíproco finita, mediante la fórmula:
$$J = 1 - \frac{1}{E[X]E[1/X]}$$
Este índice mide la dispersión multiplicativa a través de la interacción entre la media aritmética y la media armónica ($H = 1/E[1/X]$), expresándose también como $J = 1 - H/E[X]$. El valor $J=0$ indica una variable degenerada (sin dispersión), mientras que $J \to 1$ indica alta dispersión.

2. Metodología

El estudio se estructura en cuatro pilares metodológicos principales:

1. Derivación Analítica en la Familia GIG:
   Los autores derivan expresiones cerradas para el índice $J$ bajo la familia de distribuciones Gaussiana Inversa Generalizada (GIG). Esta familia es un marco unificador que incluye casos especiales importantes como la distribución Inversa Gaussiana y la distribución Gamma. Se utilizan propiedades de las funciones de Bessel modificadas de segunda especie ($K_p$) para obtener las expresiones exactas de $E[X]$ y $E[1/X]$.

2. Estimación y Representación Integral:
   Se define un estimador por sustitución (plug-in estimator) basado en las medias muestrales aritmética ($\bar{X}$) y armónica ($\overline{1/X}$):
   $$\hat{J} = 1 - \frac{1}{\bar{X} \cdot \overline{1/X}}$$
   Para analizar el comportamiento de este estimador en muestras finitas, los autores emplean técnicas de transformadas de Laplace. Utilizando el teorema de Tonelli y la identidad integral para el producto de inversos, obtienen una representación integral exacta para la esperanza $E[\hat{J}]$, lo que permite calcular el sesgo exacto sin recurrir a aproximaciones asintóticas inmediatas.

3. Propiedades Asintóticas:
   Se establecen las propiedades de gran muestra del estimador:

   • Consistencia fuerte: $\hat{J}$ converge casi seguramente a $J$.
   • Normalidad asintótica: Se demuestra que $\sqrt{n}(\hat{J} - J)$ converge en distribución a una normal con varianza dependiente de los momentos de segundo orden de $X$ y $1/X$.
   • Expansión de sesgo: Se deriva una aproximación de primer orden para el sesgo ($O(1/n)$) utilizando expansiones de Taylor de segundo orden y el método delta.

4. Estudio de Simulación (Monte Carlo):
   Se realiza un estudio de simulación exhaustivo para evaluar el comportamiento en muestras finitas bajo modelos Inverso Gaussiano y Gamma, variando tamaños de muestra ($n$) y parámetros de forma/escala.

3. Contribuciones Clave

• Cierre Analítico para Distribuciones Específicas:
  • GIG: Se obtiene una expresión general para $J$ en términos de funciones de Bessel.
  • Inversa Gaussiana (IG): Se demuestra que $J = \mu / (\mu + \lambda)$, dependiendo solo de la razón de los parámetros.
  • Gamma: Se demuestra que $J = 1/\alpha$ (donde $\alpha$ es el parámetro de forma), lo que vincula directamente el índice con el coeficiente de variación cuadrático ($CV^2$) en este caso.
• Fórmulas de Sesgo Exacto y Asintótico:
  A diferencia de muchos estudios que solo ofrecen aproximaciones, este trabajo proporciona:
  • Una representación integral exacta para el sesgo en la familia GIG.
  • Expresiones explícitas para el sesgo asintótico en las distribuciones IG y Gamma, mostrando cómo el sesgo disminuye con el tamaño de la muestra.
• Conexión con el Índice de Atkinson:
  Se establece que el índice AHI es un caso particular del Índice de Atkinson (con parámetro de aversión a la desigualdad $\varepsilon = 2$), proporcionando una justificación teórica sólida basada en la teoría de la desigualdad económica.

4. Resultados Principales

• Comportamiento del Estimador:
  Las simulaciones de Monte Carlo (con 4000 repeticiones) confirman que el estimador $\hat{J}$ es consistente. Tanto el sesgo como el Error Cuadrático Medio (MSE) disminuyen a medida que aumenta el tamaño de la muestra ($n$), validando las propiedades asintóticas derivadas teóricamente.
• Sesgo en Muestras Pequeñas:
  Se observa que el estimador tiende a subestimar ligeramente el índice verdadero en muestras pequeñas (sesgo negativo), pero este efecto se vuelve despreciable para $n \geq 100$ en los escenarios probados.
• Relación con la Dispersión:
  Los resultados confirman que $J$ actúa como una medida normalizada de dispersión. En el caso Gamma, donde $CV^2 = 1/\alpha$, el índice coincide exactamente con $CV^2$ (para $\alpha > 1$), pero con la ventaja de estar acotado en $[0, 1)$, evitando los problemas de interpretación de índices no acotados cuando la variabilidad es muy alta.

5. Significado e Impacto

El trabajo es significativo por varias razones:

1. Nueva Métrica de Dispersión: Introduce el índice AHI como una alternativa robusta y acotada a la varianza o al coeficiente de variación, especialmente útil en contextos donde la dispersión puede ser extrema o donde se requiere una métrica adimensional e invariante a la escala.
2. Rigor Teórico: Proporciona una base teórica completa (desde la definición poblacional hasta la inferencia en muestras finitas) para una medida que, aunque relacionada con índices económicos conocidos, carecía de un desarrollo estadístico detallado para distribuciones positivas comunes.
3. Aplicabilidad: Las fórmulas derivadas para las distribuciones Inversa Gaussiana y Gamma son directamente aplicables en campos como la fiabilidad, la hidrología, la economía y las finanzas, donde estas distribuciones modelan frecuentemente tiempos de espera, duraciones o precios.
4. Herramientas de Inferencia: La derivación de la varianza asintótica y las aproximaciones de sesgo permiten a los investigadores construir intervalos de confianza y realizar pruebas de hipótesis sobre la desigualdad o dispersión en datos reales.

En conclusión, Vila y Saulo presentan un marco teórico y empírico sólido para el uso del índice AHI, demostrando su utilidad como una medida de dispersión interpretable, acotada y estadísticamente manejable.