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

1. Problématique et Contexte

L'article s'intéresse à la mesure de la dispersion pour des variables aléatoires positives. Les auteurs proposent et analysent l'indice d'inégalité arithmético-harmonique (AHI), noté $J$. Cet indice est défini par l'interaction entre la moyenne arithmétique et la moyenne harmonique d'une variable aléatoire $X$.

La définition de l'indice est donnée par :
$$J = 1 - \frac{1}{E[X]E[1/X]}$$
où $E[X]$ est la moyenne arithmétique et $E[1/X]$ est l'inverse de la moyenne harmonique.

Propriétés fondamentales :

• Borné et invariant d'échelle : $J \in [0, 1)$. Il est invariant par multiplication par une constante positive ($J(cX) = J(X)$).
• Interprétation : $J=0$ si et seulement si $X$ est une variable dégénérée (sans dispersion). Plus $J$ est proche de 1, plus la dispersion est élevée.
• Lien avec la variance : Par un développement de Taylor, $J$ est une transformation monotone du carré du coefficient de variation ($CV^2$). Pour de faibles variabilités, $J \approx CV^2$.
• Lien avec l'indice d'Atkinson : $J$ correspond à l'indice d'Atkinson $A(\varepsilon)$ pour le paramètre de sensibilité $\varepsilon = 2$.

L'objectif principal de l'article est d'étudier théoriquement cet indice, de développer un estimateur basé sur des échantillons, d'en établir les propriétés asymptotiques et d'analyser ses performances en échantillons finis.

2. Méthodologie

Les auteurs adoptent une approche combinant l'analyse mathématique rigoureuse et la simulation numérique :

1. Analyse théorique (Famille GIG) :

   • Ils dérivent des expressions analytiques fermées pour $J$ au sein de la famille des distributions Gaussiennes Inverses Généralisées (GIG).
   • Cette famille englobe des cas particuliers importants : la distribution Inverse Gaussienne (IG) et la distribution Gamma.
   • L'expression de $J$ dans le cas GIG fait intervenir des rapports de fonctions de Bessel modifiées de seconde espèce ($K_p$).

2. Développement de l'estimateur :

   • L'estimateur $\hat{J}$ est construit par la méthode du plug-in (remplacement des espérances par leurs estimateurs empiriques) :
     $$\hat{J} = 1 - \frac{1}{\bar{X} \cdot \overline{(1/X)}}$$
     où $\bar{X}$ est la moyenne arithmétique de l'échantillon et $\overline{(1/X)}$ est la moyenne des inverses.

3. Analyse de l'espérance et du biais :

   • Pour obtenir une expression exacte de l'espérance $E[\hat{J}]$, les auteurs utilisent une représentation intégrale basée sur la transformée de Laplace conjointe de $(X, 1/X)$.
   • Ils établissent une expression intégrale pour le biais de l'estimateur, qui ne se réduit généralement pas à une forme fermée élémentaire pour $n \ge 2$, mais qui est calculable numériquement.

4. Propriétés asymptotiques :

   • Utilisation du théorème central limite multivarié et de la méthode Delta pour établir la consistance forte et la normalité asymptotique de $\hat{J}$.
   • Développement d'un biais d'ordre 1 (approximation de Taylor du second ordre) pour corriger l'estimateur en petits échantillons.

5. Étude de simulation (Monte Carlo) :

   • Une étude de simulation est menée pour évaluer les performances en échantillons finis (biais et erreur quadratique moyenne) pour différentes tailles d'échantillon ($n$) et configurations de paramètres, en se concentrant sur les distributions IG et Gamma.

3. Contributions Clés

• Formules analytiques fermées : Les auteurs fournissent des expressions explicites de l'indice AHI pour la famille GIG, ainsi que pour ses sous-classes (IG et Gamma). Par exemple, pour la loi Gamma de paramètres $(\alpha, \beta)$, $J = 1/\alpha$ (pour $\alpha > 1$).
• Représentation intégrale de l'espérance : Une contribution majeure est la dérivation d'une représentation intégrale exacte de l'espérance de l'estimateur $\hat{J}$ via la transformée de Laplace, permettant de quantifier le biais exact avant l'approximation asymptotique.
• Propriétés asymptotiques complètes :
  • Preuve de la consistance forte ($\hat{J} \xrightarrow{a.s.} J$).
  • Preuve de la normalité asymptotique avec une variance asymptotique explicite dépendant des moments d'ordre 2 de $X$ et $1/X$.
  • Dérivation d'une formule de correction de biais d'ordre $O(1/n)$, cruciale pour les applications pratiques avec des échantillons de taille modérée.
• Analyse de cas limites : L'article montre que pour la distribution de Lévy (cas limite de la loi Inverse Gaussienne), l'estimateur est non biaisé.

4. Résultats Principaux

• Comportement du biais : Les résultats théoriques et les simulations montrent que l'estimateur $\hat{J}$ est biaisé négativement (il sous-estime légèrement la dispersion réelle) pour les petits échantillons. Ce biais diminue à mesure que la taille de l'échantillon $n$ augmente.
• Validation par simulation :
  • Pour la loi Inverse Gaussienne et la loi Gamma, les simulations (avec $R=4000$ réplications) confirment que le biais empirique et l'erreur quadratique moyenne (MSE) décroissent avec $n$.
  • Les résultats numériques s'alignent parfaitement avec les approximations asymptotiques dérivées théoriquement.
  • L'indice se comporte comme prévu : il est sensible aux variations de dispersion (paramètres de forme) mais robuste aux variations d'échelle.
• Comparaison avec la CV : L'étude confirme que $J$ se comporte comme le coefficient de variation quadratique pour les faibles dispersions, mais offre l'avantage d'être borné dans l'intervalle $[0, 1)$, ce qui facilite l'interprétation et la comparaison entre différentes populations.

5. Signification et Impact

Cet article apporte une contribution significative à la statistique des mesures de dispersion et d'inégalité :

1. Nouvel outil interprétable : L'indice AHI offre une alternative bornée et invariante d'échelle aux mesures classiques comme le coefficient de variation, particulièrement utile lorsque les données sont très dispersées (où la CV peut devenir arbitrairement grande).
2. Rigueur inférentielle : En fournissant des expressions exactes pour le biais et des propriétés asymptotiques solides, l'article permet aux praticiens d'utiliser cet indice avec une connaissance précise de ses propriétés statistiques, y compris la possibilité de corriger le biais en petits échantillons.
3. Applicabilité large : Le cadre théorique développé pour la famille GIG rend l'approche applicable à une large gamme de modèles de données positives (durées de vie, revenus, tailles de particules, etc.), en particulier via les cas particuliers Inverse Gaussienne et Gamma.
4. Lien avec la théorie de l'inégalité : En reliant l'indice à l'indice d'Atkinson ($\varepsilon=2$), l'article ancre cette mesure de dispersion dans le cadre plus large de l'économie du bien-être et de l'analyse des inégalités.

En résumé, Vila et Saulo transforment l'indice AHI d'une simple curiosité mathématique en un outil statistique robuste, entièrement caractérisé théoriquement et validé empiriquement, prêt à être utilisé pour l'analyse de la dispersion dans des données positives.