📊 statistics

Empirical Likelihood Inference for Sen and Sen--Shorrocks--Thon Indices

Cet article propose une méthode d'inférence par vraisemblance empirique et vraisemblance empirique jackknife pour les indices de pauvreté de Sen et Sen-Shorrocks-Thon, en introduisant un nouvel estimateur basé sur les statistiques U et en validant la performance de ces approches par des simulations et des données réelles.

Auteurs originaux : Sreelakshmi N, Saparya Suresh, Sudheesh K. Kattumannil

Publié 2026-03-19

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sreelakshmi N, Saparya Suresh, Sudheesh K. Kattumannil

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 Grand Défi : Mesurer la Pauvreté sans se Tromper

Imaginez que vous êtes un chef d'orchestre ou un capitaine de navire. Votre mission est de savoir si votre équipage (la population) va bien ou s'il souffre. Pour cela, vous avez besoin de deux instruments de mesure très précis : le Sen Index et l'Indice SST.

Ces deux instruments ne se contentent pas de compter le nombre de personnes pauvres (comme un simple compteur de têtes). Ils sont plus intelligents :

Ils regardent combien de gens sont pauvres.
Ils regardent à quel point ils sont pauvres (le vide dans leur poche).
Ils regardent l'inégalité entre les pauvres eux-mêmes (est-ce que les pauvres sont tous dans le même bateau, ou y a-t-il des différences énormes entre eux ?).

Le problème : Ces instruments sont complexes. Quand on essaie de les utiliser avec de petits échantillons de données (comme une enquête sur une seule ville ou une année difficile), les méthodes classiques de calcul ressemblent à une boussole magnétique défectueuse : elles peuvent vous indiquer la bonne direction, mais avec une marge d'erreur énorme, vous faisant croire que tout va bien alors que non, ou inversement.

🛠️ La Solution : De nouveaux outils de navigation

Les auteurs de cet article (Sreelakshmi, Saparya et Sudheesh) ont dit : "Arrêtons d'utiliser les vieilles boussoles. Construisons-en de nouvelles."

Ils ont développé deux nouvelles méthodes pour calculer ces indices avec une précision chirurgicale, même avec peu de données :

La Méthode EL (Vraisemblance Empirique) : Imaginez que vous essayez de deviner le goût d'une soupe en goûtant quelques cuillères. La méthode EL ne suppose pas que la soupe est "normale" (comme le font les méthodes classiques). Elle s'adapte à la forme réelle de la soupe, qu'elle soit épicée, douce ou aigre.
La Méthode JEL (Vraisemblance Empirique "Jackknife") : C'est encore plus malin. Imaginez que vous avez un puzzle. La méthode "Jackknife" consiste à retirer une pièce à la fois, à refaire le puzzle, et à voir comment l'image change. En répétant cela pour chaque pièce, on comprend très bien la structure globale sans avoir besoin de connaître la "recette" exacte de la soupe.

🎲 L'Entraînement : Le Simulateur de Vol

Avant de lancer leurs nouveaux outils dans la vraie vie, les chercheurs les ont testés dans un simulateur de vol (une étude de simulation par ordinateur).

Le test : Ils ont créé des millions de situations de pauvreté fictives (des distributions de revenus très variées, certaines très inégales, d'autres plus lisses).
Le résultat : Les anciennes méthodes (celles utilisées par Davidson en 2009) donnaient souvent des intervalles de confiance trop étroits (comme une cible trop petite), ce qui signifiait qu'elles se trompaient souvent sur la réalité.
La victoire : Les nouvelles méthodes (EL et JEL) ont donné des résultats beaucoup plus fiables. Elles ont dit : "Nous sommes sûrs à 95 % que la pauvreté se situe entre X et Y", et elles avaient raison presque à chaque fois, même avec de petits échantillons.

🌎 L'Application Réelle : Deux Histoires Vraies

Pour prouver que leurs outils fonctionnent, ils les ont appliqués à deux situations réelles :

1. Aux États-Unis (Les données PSID) :
Ils ont regardé les revenus individuels de 2017 à 2023.

Ce qu'ils ont vu : La pauvreté a baissé de manière constante.
Le mystère de 2021 : Pendant la pandémie, on s'attendait à ce que la pauvreté explose. Pourtant, les indices ont montré une baisse !
L'explication : En creusant, ils ont vu que les aides gouvernementales (comme les allocations chômage) avaient agi comme un "filet de sécurité" temporaire, empêchant les gens de tomber dans le trou. Leurs outils ont réussi à capturer ce phénomène subtil que d'autres méthodes auraient pu manquer.

2. En Inde (Les données CPHS) :
Ils ont comparé trois États très différents : le Kerala (riche), le Tamil Nadu (moyen) et le Bihar (pauvre).

Le résultat : Les outils ont parfaitement reflété la réalité connue : le Bihar a un indice de pauvreté très élevé, tandis que le Kerala est très bas.
L'avantage : Grâce à leurs nouvelles méthodes, ils ont pu donner des "intervalles de confiance" (des fourchettes de sécurité) très précis pour chaque État, permettant aux décideurs politiques de dire : "Nous savons exactement où se situe le problème dans le Bihar, et nous pouvons comparer cela avec le Kerala sans erreur."

💡 En Résumé

Ce papier est une boîte à outils améliorée pour les économistes et les décideurs politiques.

Avant : On utilisait des règles de calcul rigides qui cassaient souvent quand les données étaient compliquées ou rares.
Maintenant : Grâce à la théorie des "statistiques U" et aux méthodes "Jackknife", nous avons des outils flexibles et robustes. Ils nous permettent de voir la pauvreté avec plus de clarté, de faire des comparaisons justes entre différents pays ou régions, et de prendre de meilleures décisions pour aider ceux qui en ont besoin.

C'est comme passer d'une carte dessinée à la main, pleine de zones floues, à un GPS haute précision qui vous dit exactement où vous êtes, même dans la tempête.

1. Problématique et Contexte

Les indices de Sen et Sen-Shorrocks-Thon (SST) sont des mesures fondamentales de la pauvreté, car elles intègrent simultanément trois dimensions : l'incidence (taux de pauvreté), l'intensité (écart moyen de revenu) et l'inégalité parmi les pauvres. Bien que conceptuellement robustes, leur inférence statistique pose des défis majeurs :

Complexité structurelle : La combinaison non-linéaire de ces trois composantes rend la distribution d'échantillonnage analytiquement complexe, surtout pour des échantillons de taille finie.
Limites des méthodes existantes : Les approches conventionnelles reposent sur des estimateurs « plug-in » combinés à des approximations asymptotiques d'ordre un pour l'estimation de la variance. Ces méthodes peuvent présenter des biais non négligeables et des probabilités de couverture insuffisantes dans des échantillons de petite ou moyenne taille, en particulier lorsque les distributions de revenus sont asymétriques.
Absence de représentation U-statistique : Jusqu'à présent, ces indices manquaient d'une représentation explicite dans le cadre des U-statistiques, ce qui compliquait l'application de théorèmes limites et la construction de méthodes d'inférence robustes sans estimation explicite de la variance.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'inférence non paramétrique basé sur la théorie des U-statistiques et les méthodes de Vraisemblance Empirique (EL) et de Vraisemblance Empirique Jackknife (JEL).

A. Nouveaux Estimateurs basés sur les U-statistiques

L'article établit une représentation explicite des indices de Sen et SST sous forme de noyaux symétriques, permettant de les intégrer dans la théorie unifiée des U-statistiques :

Estimateur de l'indice de Sen : Les auteurs dérivent un nouvel estimateur non paramétrique $\hat{S}$ en utilisant des noyaux de degré 2. Ils prouvent la consistance et l'asymptoticité normale de cet estimateur, fournissant une expression de variance asymptotique fermée.
Estimateur de l'indice SST : De même, un estimateur sans biais $\hat{S}_h$ est construit pour l'indice SST, en exploitant la propriété de décomposition multiplicative de cet indice. Cet estimateur est également formulé comme une U-statistique.

B. Inférence par Vraisemblance Empirique (EL) et Jackknife (JEL)

Pour surmonter les difficultés computationnelles et les problèmes de biais des méthodes EL classiques (qui impliquent des contraintes non linéaires), les auteurs adoptent l'approche JEL :

Construction des pseudo-valeurs Jackknife : À partir des estimateurs U-statistiques, des pseudo-valeurs jackknife sont générées. Cela permet de transformer l'estimateur en une moyenne de quantités approximativement indépendantes.
Ratio de vraisemblance : Une fonction de ratio de vraisemblance empirique est construite sur ces pseudo-valeurs.
Théorème de Wilks : Les auteurs démontrent que, sous des conditions de régularité modérées, la statistique de rapport de vraisemblance jackknife converge vers une loi du $\chi^2$ à un degré de liberté. Cela permet de construire des intervalles de confiance sans avoir besoin d'estimer explicitement la variance asymptotique complexe.

3. Contributions Clés

Représentation Unifiée : Première formulation explicite des indices de Sen et SST comme des U-statistiques, facilitant l'analyse asymptotique.
Nouveaux Estimateurs : Proposition d'estimateurs simples et sans biais (pour SST) qui surmontent les limitations des estimateurs de plug-in et de Davidson (2009).
Cadre d'Inférence Robuste : Développement de procédures JEL qui fournissent des intervalles de confiance avec une meilleure probabilité de couverture, indépendamment de la forme de la distribution des revenus.
Preuve Théorique : Établissement des propriétés asymptotiques (consistance, normalité) et des distributions limites des statistiques de rapport de vraisemblance pour ces indices spécifiques.

4. Résultats de l'Étude de Simulation

Une étude de Monte Carlo a été menée en utilisant des distributions exponentielle, Pareto et log-normale (incluant des distributions à queue lourde) avec des tailles d'échantillon variant de 20 à 100.

Performance des Estimateurs : Les nouveaux estimateurs U-statistiques présentent un biais significativement inférieur par rapport aux estimateurs de plug-in et à ceux de Davidson (2009), en particulier pour les petits échantillons. Les erreurs quadratiques moyennes (MSE) restent comparables ou légèrement meilleures.
Performance des Intervalles de Confiance :
- Les intervalles basés sur EL et JEL atteignent des probabilités de couverture (CP) beaucoup plus proches du niveau nominal (ex: 95 %) que les intervalles basés sur l'approximation normale de Davidson.
- Les méthodes de Davidson souffrent souvent d'une sous-estimation de la couverture (intervalles trop étroits mais peu fiables).
- Les méthodes JEL maintiennent une bonne couverture même avec de petits échantillons (n=20), là où les méthodes classiques échouent.

5. Illustrations Empiriques

Les auteurs appliquent leurs méthodes sur deux jeux de données réels :

États-Unis (PSID) : Analyse des données individuelles de 2017 à 2023. Les résultats montrent une baisse constante des indices de pauvreté, y compris en 2021 (période de pandémie), ce qui est attribué aux transferts sociaux (allocations chômage). Les estimateurs proposés capturent ces dynamiques de manière fiable.
Inde (CPHS) : Analyse des revenus ménagers de trois États (Kerala, Tamil Nadu, Bihar) en 2023. Les résultats reflètent correctement la hiérarchie de la pauvreté connue (Bihar > Tamil Nadu > Kerala), avec des intervalles de confiance précis qui permettent des comparaisons régionales robustes.

6. Signification et Conclusion

Cet article comble un vide méthodologique important en fournissant un cadre d'inférence non paramétrique et robuste pour les mesures de pauvreté sensibles à la distribution.

Avantage pratique : La méthode JEL élimine le besoin d'estimer des variances asymptotiques complexes et évite les hypothèses paramétriques sur la distribution des revenus.
Fiabilité : Elle offre des intervalles de confiance plus fiables pour les décideurs politiques, en particulier dans des contextes où les données sont limitées ou les distributions asymétriques.
Perspectives : Ce cadre peut être étendu aux tests de dominance stochastique, aux indices de pauvreté multidimensionnelle et aux contextes d'enquêtes pondérées.

En résumé, cette recherche transforme l'analyse des indices de Sen et SST en passant d'approximations asymptotiques souvent imprécises à une inférence exacte basée sur la vraisemblance empirique jackknife, offrant ainsi un outil statistique supérieur pour l'évaluation de la pauvreté.