Bias analysis of a linear order-statistic inequality index estimator: Unbiasedness under gamma populations

तकनीकी सारांश: एक रैखिक क्रम-सांख्यिकी असमानता सूचकांक अनुमानक का पूर्वाग्रह विश्लेषण

समस्या विवरण
नमूना डेटा से आर्थिक असमानता को मापना अनुप्रयुक्त अर्थशास्त्र में एक केंद्रीय चुनौती है। जबकि शास्त्रीय गिनी गुणांक (Gini coefficient) सबसे व्यापक रूप से उपयोग किया जाने वाला रैंक-आधारित माप है, यह ज्ञात है कि छोटे से मध्यम नमूना आकार और अत्यधिक विषम (skewed) आबादी के लिए इसमें गैर-नगण्य परिमित-नमूना पूर्वाग्रह (finite-sample bias) होता है। मौजूदा साहित्य ने विभिन्न विस्तार विकसित किए हैं, जैसे कि $m$-वाँ गिनी सूचकांक, विस्तारित $m$-वाँ गिनी सूचकांक, और $S$-गिनी सूचकांक, जिनका अनुमान अक्सर उप-नमूनों पर रैंक कंट्रास्ट को औसत निकालकर U-सांख्यिकी प्रकार के निर्माणों के माध्यम से लगाया जाता है। हालाँकि, इन अनुमानकों का परिमित-नमूना पूर्वाग्रह व्यवहार, विशेष रूप से जब उन्हें नमूना माध्य द्वारा सामान्यीकृत (normalize) किया जाता है, विशिष्ट मामलों के परे काफी हद तक अनछुआ रहा है। यह शोध पत्र रैखिक क्रम-सांख्यिकी असमानता सूचकांकों के एक विस्तृत परिवार और उनके कैनोनिकल अनुमानकों के लिए एक एकीकृत पूर्वाग्रह विश्लेषण की आवश्यकता को संबोधित करता है।

कार्यप्रणाली और ढांचा
लेखक एक गैर-ऋणात्मक यादृच्छिक चर $X$ के लिए एक सामान्य रैखिक क्रम-सांख्यिकी असमानता सूचकांक, $I_m$ को परिभाषित करते हैं, जिसका परिमित माध्य $\mu$ है:
$$I_m = \frac{1}{m\mu} \sum_{k=1}^m a_k E[X_{k:m}],$$
जहाँ $X_{k:m}$ आकार $m$ के नमूने से क्रम सांख्यिकी (order statistics) हैं, और गुणांक $a_k$ इस प्रकार हैं कि $\sum a_k = 0$ और $a_1 \leq \dots \leq a_m$। यह ढांचा शास्त्रीय गिनी गुणांक ($m=2$), $m$-वें गिनी सूचकांक, विस्तारित $m$-वें गिनी सूचकांक, और $S$-गिनी सूचकांक के विशिष्ट मामलों को एकीकृत करता है। यह दिखाया गया है कि यह सूचकांक स्पेक्ट्रल (रैंक-निर्भर) असमानता मापों की श्रेणी में आता है, जो $X$ के क्वांटाइल फलन (quantile function) से जुड़े एक समाकल प्रतिनिधित्व (integral representation) को स्वीकार करता है।

अध्ययन एक प्राकृतिक U-सांख्यिकी-प्रकार के अनुमानक, $\hat{I}_m$ पर केंद्रित है, जिसे आकार $m$ के सभी उप-नमूनों पर भारित क्रम-सांख्यिकी कंट्रास्ट का औसत निकालकर और इसे नमूना माध्य $\bar{X}$ द्वारा सामान्यीकृत करके परिभाषित किया गया है। लेखक इस अनुमानक के लिए एक सामान्य परिमित-नमूना पूर्वाग्रह अपघटन (bias decomposition) व्युत्पन्न करते हैं। पूर्वाग्रह को $\Delta_{n,r}$ कारकों के एक रैखिक संयोजन के रूप में व्यक्त किया गया है, जो प्रत्येक रैंक स्तर पर यादृच्छिक सामान्यीकरण के प्रभाव को अलग करता है:
$$\Delta_{n,r} = E\left[\frac{X_{r:r}}{\bar{X}}\right] - \frac{E[X_{r:r}]}{\mu}.$$
सामान्य गैर-ऋणात्मक वितरणों के तहत इन कारकों को चित्रित करने के लिए, शोध पत्र लाप्लास-रूपांतरण (Laplace-transform) विधियों का उपयोग करता है, जो $\Delta_{n,r}$ के लिए एक समाकल प्रतिनिधित्व प्रदान करता है जो उप-नमूनाकरण के बिना विश्लेषणात्मक या संख्यात्मक मूल्यांकन की अनुमति देता है।

प्रमुख योगदान और परिणाम

1. सामान्य पूर्वाग्रह अपघटन: शोध पत्र $\Delta_{n,r}$ घटकों के संदर्भ में $\hat{I}_m$ के पूर्वाग्रह के लिए एक बंद-रूप अभिव्यक्ति व्युत्पन्न करता है (अनुप्रक्षेप 4.3)। यह अपघटन विभिन्न रैंक स्तरों के योगदान को अलग करता है, जिससे विश्लेषणात्मक जांच और लाप्लास रूपांतरण के माध्यम से संख्यात्मक सन्निकटन सुगम हो जाता है (प्रस्ताव 4.4)।

2. अनंतस्पर्शीतः निष्पक्षता (Asymptotic Unbiasedness): हल्के मोमेंट (moment) की शर्तों (क्रम $p(1+\epsilon)$ के अस्तित्व) और निचले-पूंछ (lower-tail) की शर्तों (शून्य के पास सीमित प्रायिकता) के तहत, लेखक सिद्ध करते हैं कि जब नमूना आकार $n \to \infty$ होता है, तो अनुमानक अनंतस्पर्शी रूप से निष्पक्ष होता है (प्रस्ताव 5.1)।

3. गामा आबादी के तहत सटीक निष्पक्षता: प्राथमिक सैद्धांतिक योगदान यह प्रमाण है कि यदि अंतर्निहित आबादी गामा वितरण का पालन करती है, तो किसी भी नमूना आकार $n \geq m$ के लिए $\hat{I}_m$ सटीक रूप से निष्पक्ष है। यह परिणाम सामान्यीकृत गामा चरों और उनके कुल योग के बीच स्वतंत्रता (डिरिचलेट गुण/Dirichlet property) और अधिकतम फलन की समरूपता (homogeneity of the maximum functional) के संयोजन पर निर्भर करता है। विशेष रूप से, यदि $X \sim \text{Gamma}(\alpha, \lambda)$ है, तो पहचान $E[X_{r:r}] = \mu E[X_{r:r}/\bar{X}]$ सत्य होती है, जिसका अर्थ है $\Delta_{n,r} = 0$ और इस प्रकार $\text{Bias}(\hat{I}_m, I_m) = 0$ (प्रमेय 6.1)। यह शास्त्रीय गिनी गुणांक के लिए ज्ञात पूर्व पूर्वाग्रह परिणामों को व्यापक श्रेणी के रैखिक क्रम-सांख्यिकी सूचकांकों तक विस्तारित करता है।

4. मोंटे कार्लो सत्यापन: एक सिमुलेशन अध्ययन प्रस्तावित U-सांख्यिकी अनुमानक की तुलना गामा, लॉग-नॉर्मल, वेइबुल (Weibull), और लोमैक्स (Lomax) वितरणों में एक पैरामीट्रिक प्लग-इन मैक्सिमम लाइकलीहुड एस्टीमेटर (MLE) से करता है।

   • गामा आबादी: U-सांख्यिकी अनुमानक शून्य के आसपास मजबूती से उतार-चढ़ाव वाले अनुभवजन्य पूर्वाग्रह को प्रदर्शित करता है, जो सटीक निष्पक्षता की पुष्टि करता है। इसके विपरीत, MLE प्लग-इन व्यवस्थित नकारात्मक पूर्वाग्रह दिखाता है, हालांकि यह पैरामीट्रिक दक्षता के कारण थोड़ा कम रूट मीन स्क्वेर्ड एरर (RMSE) प्राप्त करता है।
   • गैर-गामा आबादी: U-सांख्यिकी अनुमानक भारी-पूंछ (heavy-tailed) वाले वितरणों (लॉग-नॉर्मल, लोमैक) के लिए बढ़े हुए परिमित-नमूना पूर्वाग्रह को प्रदर्शित करता है, जो $n$ बढ़ने के साथ कम हो जाता है। जबकि MLE प्लग-इन अधिक कुशल (कम RMSE) है जब पैरामीट्रिक परिवार सही ढंग से निर्दिष्ट होता है, U-साściिकी अनुमानक वितरण-मुक्त और गलत विनिर्देश (misspecification) के प्रति सुदृढ़ रहता है।
   • पूर्वाग्रह अपघटन: अध्ययन $\Delta_{n,r}$ घटकों का संख्यात्मक अनुमान लगाकर प्रस्तावित पूर्वाग्रह अपघटन को सत्यापित करता है, यह पुष्टि करता है कि ऊपरी क्रम सांख्यिकी भारी-पूंछ वाले परिदृश्यों में नकारात्मक पूर्वाग्रह में अधिक महत्वपूर्ण योगदान देती है।

5. व्यावहारिक अनुप्रयोग: पद्धति को अमेरिका के 34 देशों के प्रति व्यक्ति सकल घरेलू उत्पाद (GDP per capita) डेटा पर लागू किया गया है। लेखक प्रस्तावित अनुमानक का उपयोग करके शास्त्रीय गिनी गुणांक और 5वाँ गिनी सूचकांक दोनों की गणना करते हैं, बूटस्ट्रैप विश्वास अंतराल (confidence intervals) प्रदान करते हैं। परिणाम आय प्रसार को मापने में इस अनुमानक के व्यावहारिक अनुप्रयोग को दर्शाते हैं।

महत्व और दावे
शोध पत्र का दावा है कि यह रैंक-आधारित असमानता सूचकांकों के एक विस्तृत परिवार के पूर्वाग्रह के विश्लेषण के लिए एक एकीकृत ढांचा प्रदान करता है। इसका सबसे महत्वपूर्ण योगदान यह स्थापित करना है कि कैनोनिकल U-सांख्यिकी अनुमानक गामा आबादी के लिए सटीक रूप से निष्पक्ष है, जो शास्त्रीय गिनी गुणांक से परे $m$-वें, विस्तारित $m$-वें, और विशिष्ट $S$-गिनी सूचकांकों तक विस्तृत है। लेखक इस बात पर जोर देते हैं कि यह सटीक निष्पक्षता गामा परिवार के लिए विशिष्ट है क्योंकि यह सामान्यीकृत नमूनों और कुल योग के बीच अद्वितीय स्वतंत्रता संरचना के कारण है।

यह कार्य दक्षता और सुदृढ़ता (robustness) के बीच एक व्यापार-बंद (trade-off) को उजागर करता है: जबकि पैरामीट्रिक MLE प्लग-इन, जब मॉडल सही ढंग से निर्दिष्ट होता है, कम विचरण (variance) प्रदान कर सकते हैं, वे व्यवस्थित पूर्वाग्रह से ग्रस्त हो सकते हैं, यहाँ तक कि गामा मामले में भी। इसके विपरीत, प्रस्तावित गैर-पैरामीट्रिक अनुमानक वितरण-मुक्त है, गलत विनिर्देश के प्रति सुदृढ़ है, और गामा आबादी के तहत सटीक निष्भक्षता का वांछनीय गुण रखता है, जो इसे असमानता माप के लिए एक विश्वसनीय उपकरण बनाता है जहाँ वितरण संबंधी धारणाएं अनिश्चित हैं या जहाँ गामा-जैसे व्यवहार की संभावना है। शोध पत्र यह नोट करते हुए समाप्त होता है कि अन्य वितरण परिवारों में विस्तार और गैर-गामा आबादी के लिए पूर्वाग्रह-सुधारित अनुमानकों का विकास भविष्य के अनुसंधान के विषय हैं।