📊 statistics

On the bias of the Hoover index estimator: Results for the gamma distribution

Cet article dérive une expression simple du biais de l'estimateur de l'indice de Hoover pour des populations non négatives, en démontrant notamment que cet estimateur est biaisé pour les distributions gamma dans les échantillons finis.

Auteurs originaux : Roberto Vila, Helton Saulo

Publié 2026-03-03

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Roberto Vila, Helton Saulo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🍎 Le "Robin Hood" et le problème de la balance imparfaite

Imaginez que vous voulez mesurer l'inégalité des richesses dans un village. Vous avez deux outils principaux :

Le Coefficient de Gini : C'est l'outil célèbre, celui qu'on voit partout dans les journaux.
L'Indice de Hoover (aussi appelé indice de Robin Hood) : C'est un outil moins connu, mais très intuitif.

Qu'est-ce que l'indice de Hoover ?
Imaginez que vous prenez tout l'argent du village et que vous le mettez dans un grand tas. L'indice de Hoover vous dit : "Quelle part de cet argent total faudrait-il déplacer (voler aux riches pour donner aux pauvres) pour que tout le monde ait exactement la même chose ?"

Si l'indice est 0, c'est la perfection : tout le monde est égal.
Si l'indice est 0,5, cela signifie qu'il faut redistribuer la moitié de la richesse totale pour égaliser tout le monde. C'est une mesure très claire de l'injustice.

📉 Le problème : La balance est faussée

Le problème, c'est que dans la vraie vie, on ne connaît jamais la richesse de tout le monde (la population totale). On ne prend qu'un échantillon (un petit groupe de personnes) pour faire une estimation.

Les chercheurs de ce papier (Roberto Vila et Helton Saulo) ont découvert un secret important : la balance qu'on utilise pour calculer cet indice sur un petit groupe est souvent faussée.

C'est comme si vous essayiez de peser un éléphant avec une petite balance de cuisine. Même si vous faites le calcul correctement, le résultat sera systématiquement faux à cause de la taille de votre échantillon. En mathématiques, on appelle cela un biais.

La découverte clé : L'estimateur (la formule qu'on utilise) a tendance à sous-estimer l'inégalité, surtout quand on a peu de données (un petit échantillon). Il dit qu'il y a moins d'injustice qu'il n'y en a réellement.

🧪 L'expérience avec les "Gamma"

Pour comprendre pourquoi cela arrive et comment le corriger, les auteurs ont choisi de tester leur théorie sur un type de distribution très courant en économie, appelé la distribution Gamma.

Analogie : Imaginez que la distribution Gamma est comme une "pâte à gâteau" mathématique qui ressemble beaucoup à la façon dont les revenus réels sont distribués (beaucoup de gens gagnent peu, quelques-uns gagnent énormément).

Les chercheurs ont fait deux choses géniales :

Ils ont trouvé la recette exacte du biais : Ils ont utilisé des techniques mathématiques avancées (comme des "loupes" appelées transformées de Laplace) pour écrire une formule exacte qui dit : "Voici de combien votre balance est faussée, selon la taille de votre échantillon."
Ils ont créé un correcteur : Une fois qu'on sait de combien la balance est faussée, on peut ajouter un petit "ajustement" à la formule. C'est comme si vous saviez que votre balance indique toujours 2 kg de moins que la réalité, alors vous ajoutez simplement 2 kg à votre résultat final.

🎮 La simulation : Le test vidéo-jeu

Pour prouver que leur solution fonctionne, ils ont lancé des milliers de simulations informatiques (comme un jeu vidéo où ils génèrent des villages fictifs).

Le scénario : Ils ont créé des villages avec des tailles différentes (25, 50, 100 personnes) et des niveaux d'inégalité différents.
Le résultat :
- Sans correction : La balance donnait toujours un résultat trop bas (elle disait "c'est plus égal qu'en réalité"). Plus le village était petit, plus l'erreur était grande.
- Avec correction : Dès qu'ils appliquaient leur nouvelle formule, la balance devenait presque parfaite. L'erreur disparaissait presque totalement, même pour les petits villages.

💡 Pourquoi est-ce important pour vous ?

Ce papier est important pour trois raisons simples :

La précision compte : Si vous êtes un politicien ou un économiste qui prend des décisions basées sur l'inégalité, utiliser la vieille formule sans correction peut vous faire croire que le problème est moins grave qu'il ne l'est.
Une solution simple : Ils ne disent pas "il faut jeter l'indice de Hoover". Ils disent "gardez-le, il est intuitif et utile, mais utilisez notre petite correction pour qu'il soit juste".
L'avenir : Ils suggèrent que cette méthode pourrait aider à comprendre d'autres types d'inégalités dans des domaines comme la santé ou l'environnement, là où les données sont souvent rares et déséquilibrées.

En résumé

Imaginez que vous essayez de mesurer la distance entre deux villes avec un mètre-ruban qui rétrécit quand il fait chaud. Ce papier dit : "Attention, votre mètre-ruban rétrécit ! Voici exactement de combien il rétrécit selon la température, et voici comment le corriger pour obtenir la vraie distance."

Grâce à ce travail, nous pouvons maintenant mesurer l'injustice sociale avec beaucoup plus de précision, même quand nous n'avons pas toutes les données en main.

Titre de l'article

Sur le biais de l'estimateur de l'indice de Hoover : Résultats pour la distribution gamma
Auteurs : Roberto Vila et Helton Saulo

1. Problématique

L'indice de Hoover (également appelé indice de Robin Hood, Pietra ou Schutz) est une mesure largement utilisée de l'inégalité, interprétée comme la proportion de ressources totales devant être redistribuées pour atteindre une égalité parfaite. Bien que sa définition soit intuitive et qu'il soit lié à la courbe de Lorenz, ses propriétés statistiques, en particulier le comportement de son estimateur empirique sur des échantillons finis, restent peu documentées.

Contrairement au coefficient de Gini, dont le biais d'estimation est bien étudié et corrigé dans la littérature, les résultats concernant l'indice de Hoover sont rares et souvent limités à des considérations asymptotiques ou des investigations numériques. L'objectif principal de cet article est de combler ce vide en fournissant une analyse exacte du biais en échantillon fini de l'estimateur de l'indice de Hoover, en se concentrant spécifiquement sur les populations suivant une distribution gamma.

2. Méthodologie

Les auteurs développent une approche analytique rigoureuse basée sur deux techniques mathématiques principales :

Transformées de Laplace : Utilisation de la représentation intégrale de l'espérance mathématique.
Tilt exponentiel (Transformation d'Esscher) : Une méthode de changement de mesure de probabilité pour simplifier les calculs d'espérance impliquant des variables aléatoires pondérées.

Déroulement de l'analyse :

Cadre général : Les auteurs dérivent d'abord une expression générale pour l'espérance de l'estimateur de l'indice de Hoover ( $\hat{H}$ ) pour toute population non négative. Cette expression est formulée en termes de transformées de Laplace et de distributions exponentiellement inclinées (tilted).
Cas discret et continu : Le cadre unifié s'applique à la fois aux distributions continues et discrètes. Des caractérisations spécifiques sont établies pour les distributions Gamma, Poisson et Géométriques.
Application à la distribution Gamma : En supposant que les observations $X_1, \dots, X_n$ sont i.i.d. suivant une loi Gamma( $\alpha, \lambda$ ), les auteurs exploitent les propriétés de stabilité de la somme de variables gamma et la forme fermée de leur transformée de Laplace pour obtenir une expression explicite du biais.
Étude de simulation : Une étude de Monte Carlo est menée pour valider les résultats théoriques. Elle compare l'estimateur non corrigé ( $\hat{H}$ ) à un estimateur corrigé du biais ( $\hat{H}_c$ ), obtenu en soustrayant une estimation du biais calculée via l'expression analytique et l'estimateur du maximum de vraisemblance (ML) du paramètre de forme $\alpha$ .

3. Contributions Clés

A. Expression générale de l'espérance

Le théorème principal (Théorème 4.1) fournit une formule fermée pour $E[\hat{H}]$ . Pour des variables indépendantes $X_i$ , l'espérance est exprimée comme une intégrale impliquant la transformée de Laplace de la population et les fonctions de répartition de variables aléatoires "tiltées" (exponentiellement inclinées).

B. Formule explicite du biais pour la loi Gamma

Pour une population Gamma( $\alpha, \lambda$ ), les auteurs dérivent une expression exacte du biais :
$\text{Bias}(\hat{H}, H) = E[\hat{H}] - H$
où $H$ est la valeur théorique de l'indice de Hoover. L'expression obtenue (Corollaire 4.5) montre que l'espérance de l'estimateur dépend uniquement du paramètre de forme $\alpha$ et de la taille de l'échantillon $n$ , et non du paramètre d'échelle $\lambda$ (en raison de l'invariance d'échelle de l'indice).

Une relation intéressante est établie pour le cas $n=2$ , où l'estimateur de Hoover est lié à l'estimateur du coefficient de Gini proposé par Deltas (2003).

C. Caractérisation probabiliste du terme d'intégrale

L'article montre que le terme d'intégrale complexe dans la formule du biais peut être interprété comme l'espérance du minimum de deux variables aléatoires gamma indépendantes, offrant une interprétation probabiliste élégante du résultat.

4. Résultats Principaux

Existence d'un biais négatif : Les résultats théoriques et numériques confirment que l'estimateur empirique de l'indice de Hoover est systématiquement biaisé dans les échantillons finis. Le biais est généralement négatif (l'estimateur sous-estime l'inégalité réelle).
Dépendance à la taille de l'échantillon et à la forme : L'ampleur du biais est inversement proportionnelle à la taille de l'échantillon $n$ et dépend fortement du paramètre de forme $\alpha$ de la distribution gamma (qui contrôle l'asymétrie). Le biais est plus prononcé pour les petits échantillons et les distributions très asymétriques.
Efficacité de la correction :
- La simulation montre que l'estimateur corrigé du biais ( $\hat{H}_c$ ) réduit considérablement le biais relatif, le faisant osciller autour de zéro même pour des tailles d'échantillon modérées ( $n=25$ ).
- L'ajout de la correction n'augmente pas significativement l'erreur quadratique moyenne (RMSE). Les courbes de RMSE pour les estimateurs corrigé et non corrigé sont quasi superposables, indiquant que la réduction du biais ne se fait pas au détriment de la variance.

5. Signification et Perspectives

Apport théorique : Ce travail fournit le premier cadre analytique complet pour l'analyse du biais de l'indice de Hoover en échantillon fini, utilisant des outils avancés de théorie des probabilités (transformées de Laplace, tilt exponentiel).
Implications pratiques : Pour les économistes et les statisticiens appliquant l'indice de Hoover à des données réelles (souvent de taille modérée et suivant des lois à queue lourde comme la Gamma), l'utilisation de l'estimateur brut peut conduire à une sous-estimation significative de l'inégalité. L'article recommande vivement l'application de la correction de biais proposée.
Voies futures : Les auteurs suggèrent d'explorer les liens entre l'indice de Hoover et les distributions skew-normales (normales asymétriques) et skew-elliptiques, suivant la logique développée récemment pour le coefficient de Gini. Cela pourrait ouvrir la voie à de nouvelles propriétés distributionnelles et à des méthodes d'inférence plus robustes.

En résumé, cet article transforme la compréhension de l'estimateur de l'indice de Hoover en passant d'une approche asymptotique à une analyse exacte en échantillon fini, offrant des outils précis pour corriger les biais dans les applications empiriques.