📊 statistics

Income inequality estimation with gamma mixtures

Cet article dérive des expressions sous forme fermée et établit les propriétés asymptotiques d'un estimateur du $m$ -ième indice de Gini sous des mélanges finis de distributions gamma, validant sa performance par des simulations de Monte Carlo et une analyse d'un ensemble de données de revenus réelles.

Auteurs originaux : Roberto Vila, Helton Saulo, Felipe Quintino

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Roberto Vila, Helton Saulo, Felipe Quintino

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

Imaginez que vous essayez de mesurer à quel point la distribution d'un sac de bonbons est inégale entre un groupe d'amis. En économie, cette « inégalité » est appelée coefficient de Gini, et c'est l'outil le plus célèbre pour la mesurer.

Ce document est comme une équipe de statisticiens construisant une règle plus performante et plus flexible pour mesurer cette distribution de bonbons, spécifiquement lorsque la distribution des « bonbons » (le revenu) suit un modèle appelé distribution Gamma.

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. Le problème : Un modèle unique ne convient pas à tous

Les données réelles sur les revenus sont complexes. Elles ne ressemblent pas à une courbe en cloche parfaite et lisse. Au contraire, elles ressemblent à une longue traîne : la plupart des gens ont un montant d'argent « normal », mais quelques personnes possèdent des montants massifs, étirant la traîne loin vers la droite.

Pour gérer cela, les auteurs utilisent des mélanges de Gamma (Gamma Mixtures).

L'analogie : Imaginez que la population n'est pas un seul grand groupe, mais un mélange de trois clubs différents : un « Club à bas revenus », un « Club à revenus moyens » et un « Club à hauts revenus ». Chaque club possède ses propres règles internes de distribution de l'argent. Un « mélange de Gamma » est simplement une façon mathématique de dire : « Nous regardons une foule composée de plusieurs types de personnes mélangées. »

2. Le nouvel outil : L'indice de Gini « $m$ -ième »

Le coefficient de Gini traditionnel compare deux personnes à la fois (par exemple, « Quelle est la différence entre le revenu de la personne A et celui de la personne B ? »).

L'innovation : Ce document introduit l'indice de Gini $m$ -ième. Au lieu de comparer seulement deux personnes, ce nouvel outil saisit un groupe de $m$ personnes à la fois et observe la différence entre la personne la plus riche et la plus pauvre au sein de ce groupe spécifique.
Pourquoi c'est important : C'est comme vérifier l'inégalité dans une seule salle de classe (un petit groupe) par rapport à toute l'école. Cela donne une famille de mesures plus large et plus nuancée.

3. Le défi : Le piège du « biais »

Lorsque vous essayez d'estimer l'inégalité à partir d'un petit échantillon (comme interroger 10 personnes au lieu de 10 000), votre règle a tendance à être légèrement fausse. Cette erreur est appelée biais.

La réussite du document : Les auteurs ont effectué les calculs mathématiques lourds pour créer une formule à forme fermée (une recette précise) permettant de calculer exactement à quel point cette règle est décalée.
Le résultat : Ils ont découvert que si la règle est légèrement de travers pour les petits groupes, elle devient parfaitement droite à mesure que l'on ajoute des personnes à l'échantillon. Ils ont prouvé que si l'on continue d'ajouter des personnes, l'erreur finit par disparaître complètement.

4. La règle du « taux commun » (et l'exception)

Pour obtenir leurs formules mathématiques parfaites, les auteurs ont dû faire une hypothèse simplificatrice : ils ont supposé que tous les « clubs » (les différents groupes de revenus) partageaient le même « taux » sous-jacent de croissance ou de décroissance de l'argent.

L'analogie : Imaginez que les trois clubs (Bas, Moyen, Haut) utilisent tous le même taux de change. Cela rend les mathématiques solubles.
Le test de réalité : Les auteurs savaient que la vie réelle n'est pas aussi simple. Ils ont donc réalisé des simulations informatiques (études de Monte Carlo) pour voir ce qui se passe lorsque les clubs ont des « taux » différents.
La conclusion : Même lorsque les « taux de change » étaient différents (un scénario plus réaliste), leur nouvel estimateur a très bien performé, restant précis et surpassant les autres méthodes.

5. Le test en conditions réelles : Les données de revenus italiennes

Enfin, ils n'ont pas laissé cela uniquement sur le papier. Ils ont appliqué leur nouvelle règle à des données réelles de la Banque d'Italie (2008).

Ce qu'ils ont trouvé : Les données étaient clairement un mélange de différents groupes. Une courbe simple ne correspondait pas. Mais leur modèle de « mélange de Gamma » (spécifiquement un avec trois composantes) s'ajustait magnifiquement aux données.
L'enseignement : Ils ont identifié qu'environ 88 % des données étaient à « bas revenus », 11 % étaient à « revenus moyens à élevés », et un infime 1 % constituait la queue des « ultra-riches ». Leur méthode a réussi à mesurer l'inégalité au sein de ce mélange complexe.

Résumé

En bref, ce document :

A inventé une nouvelle façon de mesurer l'inégalité en observant des groupes de personnes plutôt que de simples paires.
A dérivé les mathématiques pour savoir exactement à quel point cette mesure est précise lorsqu'on traite des populations mixtes.
A prouvé que la mesure s'améliore de plus en plus à mesure que l'on obtient davantage de données.
L'a testé sur de réelles données de revenus italiennes et a montré que cela fonctionne même lorsque les mathématiques deviennent complexes.

Ils ont essentiellement donné aux économistes un outil plus précis, plus flexible et plus fiable pour mesurer l'écart entre les riches et les pauvres dans des sociétés complexes et mixtes.

Résumé Technique : Estimation de l'Inégalité des Revenus avec des Mélanges de Gamma

Énoncé du Problème
Les données de revenus présentent généralement des distributions asymétriques à droite avec de longues queues, une caractéristique souvent mal captée par les distributions paramétriques simples. Les modèles de mélange finis, particulièrement les mélanges de Gamma, offrent un cadre flexible pour représenter de telles populations hétérogènes comme des collections de sous-populations homogènes. Bien que le coefficient de Gini classique ( $m=2$ ) soit une mesure standard de l'inégalité, l'indice de Gini $m$ -ième ( $IG_m$ ), introduit par Gavilan-Ruiz et al. (2024), généralise ce concept en utilisant l'étendue d'échantillons de taille $m$ . Un défi statistique critique dans l'estimation des mesures d'inégalité est le biais d'échantillon fini. La littérature antérieure a établi l'impartialité (unbiasedness) de l'indice de Gini $m$ -ième sous des populations Gamma simples (Vila et Saulo, 2025b) et a dérivé des expressions de biais pour le coefficient de Gini classique sous des mélanges de Gamma (Vila et Saulo, 2025a). Cependant, un traitement analytique complet de l'estimateur de l'indice de Gini $m$ -ième sous des mélanges de Gamma finis, incluant son biais, ses propriétés asymptotiques et sa performance sous divers paramètres d'échelle, faisait défaut.

Méthodologie
L'article se concentre sur une variable aléatoire $X$ suivant un mélange fini de distributions Gamma, noté $X \sim GM(\theta)$ , où $\theta$ inclut les proportions de mélange, les paramètres de forme et un paramètre de taux commun $\lambda$ . Les auteurs emploient les étapes méthodologiques suivantes :

Dérivation de l'Indice de la Population : En utilisant la représentation de mélange et le théorème multinomial, les auteurs dérivent une expression en forme close pour l'indice de Gini $m$ -ième de la population ( $IG_m$ ). Cette expression implique des intégrales de fonctions Gamma incomplètes et des coefficients multinomiaux, caractérisant l'indice comme une fonction des paramètres du mélange.
Analyse de l'Estimateur : L'étude analyse l'estimateur de statistique-U non paramétrique ( $\widehat{IG}_m$ ) proposé par Deltas (2003) et étendu par Vila et Saulo (2025b). En exploitant les propriétés des statistiques d'ordre et la transformée de Laplace du mélange de Gamma, les auteurs dérivent des formules explicites pour l'espérance et le biais d'échantillon fini de $\widehat{IG}_m$ .
Théorie Asymptotique : En supposant un paramètre de taux commun entre les composantes du mélange, l'article établit :
- Une borne inférieure asymptotique pour le biais en utilisant l'inégalité de Jensen.
- L'impartialité asymptotique, prouvant que le biais s'annule lorsque la taille de l'échantillon $n \to \infty$ .
- La consistance forte et la normalité asymptotique, en utilisant la théorie des statistiques-U et la méthode delta multivariée.
Étude de Simulation : Une étude de Monte Carlo évalue la performance de l'estimateur (Biais et RMSE) sous différents scénarios, incluant différentes tailles d'échantillon ( $n$ ), valeurs de $m$ et paramètres de forme. L'étude compare l'estimateur proposé à une version corrigée du biais et à un estimateur paramétrique (basé sur l'Estimation par Maximum de Vraisemblance). Crucialement, la simulation étudie également le comportement de l'estimateur lorsque l'hypothèse du paramètre de taux commun est violée (c'est-à-dire des mélanges avec des échelles différentes).
Application Empirique : La méthodologie est appliquée à un ensemble de données de revenus de la Banque d'Italie de 2008. Les auteurs ajustent des mélanges de Gamma avec 2 et 3 composantes (toutes deux avec des échelles égales et différentes) pour modéliser la distribution des revenus et estimer l'indice de Gini $m$ -ième.

Résultats Clés

Expressions Analytiques : L'article fournit la première expression en forme close pour l'indice de Gini $m$ -ième sous des mélanges de Gamma ainsi que des formules explicites pour l'espérance et le biais de son estimateur de statistique-U.
Propriétés du Biais : Les résultats théoriques confirment que l'estimateur est asymptotiquement sans biais. Il est démontré que le biais dépend de la taille de l'échantillon et des paramètres du mélange, mais qu'il est indépendant du paramètre de taux en raison de l'invariance d'échelle.
Constatations de la Simulation :
- Le biais de l'estimateur non paramétrique est généralement faible et diminue à mesure que $n$ augmente.
- Pour de petites tailles d'échantillon, l'estimateur corrigé du biais est plus performant en termes de biais, tandis que l'estimateur paramétrique produit souvent la plus faible erreur quadratique moyenne (RMSE), malgré un biais potentiellement plus élevé.
- L'estimateur démontre une robustesse même lorsque les données sous-jacentes suivent un mélange de Gamma avec des paramètres de taux différents, un scénario qui n'est pas couvert par les hypothèses théoriques strictes. Dans ces cas, l'estimateur maintient un biais et une RMSE faibles, bien qu'il présente un léger biais négatif.
Application Empirique : L'analyse des données de revenus italiennes suggère qu'un mélange de Gamma à trois composantes (capturant les segments de revenus faibles, moyens-élevés et supérieurs) offre un ajustement supérieur par rapport aux modèles à Gamma simple ou à deux composantes, comme en témoignent les graphiques QQ et les critères d'information (BIC). Les indices de Gini $m$ -ième estimés varient légèrement selon la spécification du modèle (nombre de composantes et hypothèses d'échelle).

Signification et Revendications
L'article prétend étendre la compréhension théorique de l'estimation de l'inégalité des populations Gamma simples vers le cadre plus complexe et réaliste des mélanges de Gamma. Sa principale contribution réside dans le fait de combler le fossé entre les propriétés théoriques de l'indice de Gini $m$ -ième et son application pratique dans des populations hétérogènes.

Les auteurs affirment modestement que, bien que leurs résultats asymptotiques rigoureux (impartialité, consistance, normalité) reposent sur l'hypothèse d'un paramètre de taux commun, l'étude de Monte Carlo suggère que la méthodologie proposée reste efficace et utile même lorsque cette hypothèse est assouplie. Ce travail fournit un cadre flexible pour mesurer l'inégalité des revenus en tenant compte de l'hétérogénéité de la population, offrant un outil pratique pour les chercheurs traitant des données de revenus asymétriques. L'article conclut que des recherches futures pourraient étendre ces résultats aux mélanges avec des paramètres de taux distincts et d'autres familles de distributions positives.