Two Tunable Gini-Type Measures with U-Statistic Estimation: Theory, Simulation, and an Empirical Application to GDP per Capita in the Americas

तकनीकी सारांश: U-सांख्यिकी अनुमान के साथ दो ट्यूनेबल गिनी-प्रकार के माप

समस्या विवरण
शास्त्रीय गिनी गुणांक (Gini coefficient), हालांकि अपनी व्याख्यात्मकता और अनुमान लगाने में आसानी के कारण आय और धन की असमानता को मापने के लिए एक मानक बेंचमार्क है, सभी युग्मवार अंतरों (pairwise differences) को समान रूप से मानता है। यह समान भारण (uniform weighting) सूक्ष्म प्रसार पैटर्न को धुंधला कर सकता है, विशेष रूप से इस संबंध में कि चरम विषमताएं बनाम मध्यम अंतराल समग्र असमानता में कैसे योगदान देते हैं। लेखक ऐसे असमानता मापों की आवश्यकता को संबोधित करते हैं जो शास्त्रीय गिनी गुणांक के सैद्धांतिक ढांचे को छोड़े बिना विश्लेषकों को टेल-असमानता (tail-inequality) के प्रति संवेदनशीलता को ट्यून करने की अनुमति देते हैं।

कार्यप्रणाली
यह शोध पत्र दो नए असमानता परिवारों को प्रस्तुत करता है, जिन्हें $G_p$ और $H_q$ के रूप में नामित किया गया है, जो ट्यूनेबल पैरामीटर $p > 1$ और $q > 0$ के माध्यम से शास्त्रीय गिनी गुणांक ($G$) का सामान्यीकरण करते हैं।

1. परिभाषाएँ:

   • $G_p$: इसे एक लॉगरिदमिक कर्नेल (logarithmic kernel) के माध्यम से परिभाषित किया गया है। यह कच्चे पूर्ण अंतर $|X_1 - X_2|$ को एक स्केल्ड कर्नेल $T(p)$ द्वारा प्रतिस्थापित करता है जिसमें लॉगरिदमिक पद शामिल हैं। जैसे-जैसे $p \to \infty$ होता है, $G_p$ शास्त्रीय गिनी की ओर अभिसरित (converge) होता है।
   • $H_q$: इसे एक पावर-मीन अंतर कर्नेल $K(q)$ के माध्यम से परिभाषित किया गया है, जो दो अवलोकनों के $q$-वें पावर मीन और $-q$-वें पावर मीन के बीच के अंतर का उपयोग करता है। जैसे-जैसे $q \to \infty$ होता है, $H_q$ भी शास्त्रीय गिनी की ओर अभिसरित होता है।

2. सैद्धांतिक गुण:

   • दोनों मापों को उनके संबंधित मापदंडों ($p$ और $q$) के बढ़ते फलन (increasing functions) के रूप में दिखाया गया है, जिसका अर्थ है कि उच्च मान चरम विषमताओं के प्रति उनकी संवेदनशीलता (असमानता के प्रति अरुचि/aversion) को बढ़ाते हैं।
   • दोनों माप अपने निचले स्तरों ($p \to 1^+$ और $q \to 0^+$) की ओर जाने पर 0 की ओर और अनंत की ओर जाने पर शास्त्रीय गिनी की ओर अभिसरित होते हैं।
   • स्केल इनवेरिएंस (Scale Invariance): एक प्रमुख अंतर नोट किया गया है: $H_q$ एक अनुपात-स्केल इनवेरिएंट (ratio-scale invariant) है (आय के धनात्मक स्केलर गुणन के तहत अपरिवर्तित), शास्त्रीय गिनी की तरह। इसके विपरीत, $G_p$ अनुपात-स्केल इनवेरिएंट नहीं है; आय चर को स्केल करना गणितीय रूप से ट्यूनिंग पैरामीटर $p$ को बदलने के समान है।
   • दोनों माप 0 और 1 के बीच सीमित हैं।

3. अनुमान और एसिम्प्टोटिक्स (Asymptotics):

   • लेखक नमूना डेटा पर आधारित क्लोज्ड-फॉर्म U-सांख्यिकी प्लग-इन अनुमानक ($\hat{G}_p$ और $\hat{H}_q$) प्राप्त करते हैं।
   • U-सांख्यिकी (होफडिंग, 1948) के मानक परिणामों का उपयोग करते हुए, वे हल्के मोमेंट स्थितियों (विशेष रूप से, अंतर्निहित वितरण के परिमित प्रथम और द्वितीय मोमेंट्स) के तहत दोनों अनुमानकों के लिए सुदृढ़ निरंतरता (strong consistency) और एसिम्प्टोटिक नॉर्मलिटी (asymptotic normality) स्थापित करते हैं।
   • एसिम्प्टोटिक वेरिएंस को मल्टीवेरिएट डेल्टा मेथड का उपयोग करके प्राप्त किया गया है, जो कॉन्फिडेंस इंटरवल और परिकल्पना परीक्षणों के निर्माण के लिए आधार प्रदान करता है।

अनुभवजन्य और सिमुलेशन परिणाम

• मोंटे कार्लो सिमुलेशन: एक सिमुलेशन अध्ययन गामा वितरण (Gamma distributions) का उपयोग करके किया गया था जिसमें विभिन्न नमूना आकार ($n \in \{30, 50, 100, 200, 500\}$) और पैरामीटर मान ($p, q \in \{1.1, 2, 5, 10, 50\}$) थे।
  • परिणाम दर्शाते हैं कि जैसे-जैसे नमूना आकार बढ़ता है, मीन एब्सोल्यूट रिलेटिव एरर (MARE) और रूट मीन स्क्वेर्ड एरर (RMSE) कम होते जाते हैं।
  • एसिम्प्टोटिक नॉर्मल सन्निकटन (approximation) $n \geq 100$ के नमूना आकार के लिए पर्याप्त पाया गया है।
  • अध्ययन पुष्टि करता है कि बड़े पैरामीटर मान शास्त्रीय गिनी के करीब के अनुमान प्रदान करते हैं, जिससे उन विशिष्ट विन्यासों में उनके अनुकूल अनुमान गुणों का लाभ मिलता है।
• अनुभवजन्य अनुप्रयोग: इन मापों को 34 देशों (अमेरिका क्षेत्र, 2023) के GDP प्रति व्यक्ति डेटा पर लागू किया गया।
  • डेटा को कोलमोगोरोव-स्मिरनोव (Kolmogorov–KS) और क्रेमर-वॉन मिसेस (Cramér–von Mises) परीक्षणों का उपयोग करके गामा वितरण के विरुद्ध मान्य किया गया।
  • संवेदनशीलता प्रोफाइल (p और q के विरुद्ध अनुमानों को प्लॉट करना) के विश्लेषण से पता चला कि $G_p$ कम $p$ मानों पर तेजी से बढ़ता है और फिर स्थिर हो जाता है, जबकि $H_q$ अधिक धीरे-धीरे बढ़ता है। यह सुझाव देता है कि चरम युग्मवार विषमताएं डेटासेट में असमानता का एक महत्वपूर्ण चालक हैं, और मध्यम $p$ मान इस प्रभाव का अधिकांश हिस्सा कैप्चर करते हैं।

प्रमुख योगदान

1. नवीन माप: दो ट्यूनेबल असमानता सूचकांकों ($G_p$ और $H_q$) का परिचय जो मानक फैलाव मापों और शास्त्रीय गिनी गुणांक के बीच के अंतर को पाटते हैं।
2. सांख्यिकीय सिद्धांत: क्लोज्ड-फॉर्म U-सांख्यिकी अनुमानकों का व्युत्पत्ति और उनकी सुदृढ़ निरंतरता और एसिम्प्टोटिक नॉर्मलिटी का कठोर प्रमाण।
3. व्यावहारिक उपयोगिता: संवेदनशीलता विश्लेषण के लिए एक ढांचे का प्रावधान। अनुमानों के प्रोफाइल का परीक्षण करके, विश्लेषक यह निर्धारित कर सकते हैं कि क्या असमानता समान रूप से वितरित है या चरम आउटलेयर्स (outliers) द्वारा संचालित है, जिससे एक उपयुक्त सारांश मीट्रिक के चयन में मदद मिलती है।

महत्व
यह शोध पत्र दावा करता है कि ये माप गिनी गुणांक को बदलने के लिए नहीं बल्कि उसके पूरक के रूप में डिज़ाइन किए गए हैं। टेल-असमानता के प्रति संवेदनशीलता को ट्यून करने की अनुमति देकर, ये सूचकांक वितरण संरचनाओं का अधिक सूक्ष्म दृष्टिकोण प्रदान करते हैं। लेखक इस बात पर जोर देते हैं कि पैरामीटर ($p$ या $q$) का चुनाव विशिष्ट मानदण्डिक ढांचे (normative framework) या डेटा की प्रकृति (जैसे, क्या मापन इकाई मूल्यांकन को प्रभावित करनी चाहिए) द्वारा निर्देशित किया जाना चाहिए। प्राप्त एसिम्प्टोटिक वितरणों के माध्यम से कॉन्फिडेंस इंटरवल बनाने की क्षमता नीति विश्लेषण और अनुभवजन्य अनुसंधान में उनकी प्रयोज्यता को और बढ़ाती है।