Income inequality estimation with gamma mixtures

तकनीकी सारांश: गामा मिश्रणों के साथ आय असमानता का अनुमान

समस्या विवरण
आय डेटा आमतौर पर दाएँ-झुकाव वाले वितरण (right-skewed distributions) और लंबी पूंछ (long tails) प्रदर्शित करता है, जो एक एकल पैरामीट्रिक वितरण द्वारा अक्सर ठीक से कैप्चर नहीं किया जा पाता है। परिमित मिश्रण मॉडल (finite mixture models), विशेष रूप से गामा मिश्रण (Gamma mixtures), विषम आबादी को सजातीय उप-आबादियों के संग्रह के रूप में प्रस्तुत करने के लिए एक लचीला ढांचा प्रदान करते हैं। जबकि शास्त्रीय गिनी गुणांक ($m=2$) असमानता का एक मानक माप है, गैविलन-रुइज़ आदि (2024) द्वारा प्रस्तुत $m$-वाँ गिनी सूचकांक ($IG_m$), $m$ आकार के नमूनों की सीमा (range) का उपयोग करके इस अवधारणा का सामान्यीकरण करता है। अनुमान लगाने में एक महत्वपूर्ण सांख्यिकीय चुनौती 'परिमित-नमूना पूर्वाग्रह' (finite-sample bias) है। पूर्व साहित्य ने एकल गामा आबादी के तहत $m$-वें गिनी सूचकांक के लिए निष्पक्षता (unbiasedness) स्थापित की है (विला और सावलो, 2025b) और गामा मिश्रणों के तहत शास्त्रीय गिनी गुणांक के लिए पूर्वाग्रह अभिव्यक्तियों को व्युत्पन्न किया है (विला और सावलो, 2025a)। हालांकि, परिमित गामा मिश्रणों के तहत $m$-वें गिनी सूचकांक एस्टिमेटर के व्यापक विश्लेणात्मक उपचार, जिसमें इसका पूर्वाग्रह, साहसिक गुण (asymptotic properties), और विभिन्न स्केल पैरामीटर्स के तहत प्रदर्शन शामिल है, का अभाव था।

कार्यप्रणाली
यह शोध एक यादृच्छिक चर $X$ पर केंद्रित है जो गामा वितरणों के परिमित मिश्रण का अनुसरण करता है, जिसे $X \sim GM(\theta)$ द्वारा दर्शाया गया है, जहाँ $\theta$ में मिश्रण अनुपात, आकार पैरामीटर (shape parameters), और एक सामान्य दर पैरामीटर (common rate parameter) $\lambda$ शामिल है। लेखक निम्नलिखित कार्यप्रणालीगत चरणों को अपनाते हैं:

1. जनसंख्या सूचकांक का व्युत्पत्ति: मिश्रण प्रतिनिधित्व और बहुपद प्रमेय (multinomial theorem) का उपयोग करते हुए, लेखक जनसंख्या $m$-वें गिनी सूचकांक ($IG_m$) के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करते हैं। यह अभिव्यक्ति अपूर्ण गामा फलनों (incomplete Gamma functions) और बहुपद गुणांकों के समाकलन (integrals) को शामिल करती है, जो सूचकांक को मिश्रण मापदंडों के एक फलन के रूप में अभिलक्षित करती है।
2. एस्टिमेटर विश्लेषण: अध्ययन डेल्टास (2003) द्वारा प्रस्तावित और विला एवं सावलो (2025b) द्वारा विस्तारित गैर-पैरामीट्रिक U-सांख्यिकी एस्टिमेटर ($\widehat{IG}_m$) का विश्लेषण करता है। ऑर्डर स्टैटिस्टिक्स (order statistics) के गुणों और गामा मिश्रण के लाप्लास ट्रांसफॉर्म का लाभ उठाते हुए, लेखक $\widehat{IG}_m$ के प्रत्याशा (expectation) और परिमित-नमूना पूर्वाग्रह के लिए स्पष्ट सूत्र व्युत्पन्न करते हैं।
3. साहसिक सिद्धांत (Asymptotic Theory): मिश्रण घटकों के बीच एक सामान्य दर पैरामीटर को मानते हुए, शोध पत्र स्थापित करता है:
   • जेन्सन की असमानता (Jensen's inequality) का उपयोग करके पूर्वाग्रह के लिए एक साहसिक निचली सीमा (asymptotic lower bound)।
   • साहसिक निष्पक्षता (asymptotic unbiasedness), यह सिद्ध करते हुए कि नमूना आकार $n \to \infty$ होने पर पूर्वाग्रह शून्य हो जाता है।
   • U-सांख्यिकी के सिद्धांत और मल्टीवेरिएट डेल्टा विधि का उपयोग करते हुए साहसिक सुसंगतता (strong consistency) और साहसिक सामान्यता (asymptotic normality)।
4. सिमुलेशन अध्ययन: एक मोंटे कार्लो अध्ययन विभिन्न परिदृश्यों ($n$, $m$ मान, और आकार पैरामीटर सहित) के तहत एस्टिमेटर के प्रदर्शन (Bias और RMSE) का मूल्यांकन करता है। अध्ययन प्रस्तावित एस्टिमेटर की तुलना एक पूर्वाग्रह-सुधारित संस्करण और एक पैरामीट्रिक एस्टिमेटर (अधिकतम संभावना अनुमान/MLE पर आधारित) के विरुद्ध करता है। महत्वपूर्ण रूप से, सिमुलेशन यह भी जांचता है कि जब सामान्य दर पैरामीटर की धारणा का उल्लंघन होता है (अर्थात अलग-अलग स्केल वाले मिश्रण), तो एस्टिमेटर कैसा व्यवहार करता है।
5. अनुप्रयुक्त प्रयोग (Empirical Application): कार्यप्रणाली को 2008 के बैंक ऑफ इटली आय डेटासेट पर लागू किया गया है। लेखक निम्न, मध्यम-उच्च, और शीर्ष-आय खंडों को कैप्चर करने के लिए 2 और 3 घटकों वाले गामा मिश्रणों (दोनों समान और भिन्न स्केल के साथ) को आय वितरण को मॉडल करने और $m$-वें गिनी सूचकांक का अनुमान लगाने के लिए फिट करते हैं।

प्रमुख परिणाम

• विश्लेणात्मक अभिव्यक्तियाँ: शोध पत्र गामा मिश्रणों के तहत $m$-वें गिनी सूचकांक के लिए पहला क्लोज्ड-फॉर्म अभिव्यक्ति और इसके U-सांख्यिकी एस्टिमेटर के लिए स्पष्ट सूत्र प्रदान करता है।
• पूर्वाग्रह गुण: सैद्धांतिक परिणाम पुष्टि करते हैं कि एस्टिमेटर साहसिक रूप से निष्पक्ष (asymptotically unbiased) है। यह दिखाया गया है कि पूर्वाग्रह नमूना आकार और मिश्रण मापदंडों पर निर्भर करता, लेकिन स्केल इनवेरिएंस (scale invariance) के कारण दर पैरामीटर से स्वतंत्र है।
• सिमुलेशन निष्कर्ष:
  • गैर-पैरामीट्रिक एस्टिमेटर का पूर्वाग्रह आम तौर पर छोटा होता है और $n$ बढ़ने के साथ घटता है।
  • छोटे नमूना आकारों के लिए, पूर्वाग्रह-सुधारित एस्टिमेटर पूर्वाभ्र के मामले में बेहतर प्रदर्शन करता है, जबकि पैरामीट्रिक एस्टिमेटर अक्सर (संभावित उच्च पूर्वाग्रह के बावजूद) सबसे कम रूट मीन स्क्वायर एरर (RMSE) देता है।
  • एस्टिमेटर तब भी मजबूती (robustness) प्रदर्शित करता है जब अंतर्निहित डेटा एक अलग दर पैरामीटर वाले गामा मिश्रण का अनुसरण करता है, जो कि सख्त सैद्धांतिक धारणाओं के अंतर्गत नहीं आता है। ऐसे मामलों में, एस्टिमेटर कम पूर्वाग्रह और कम RMSE बनाए रखता है, हालांकि इसमें मामूली नकारात्मक पूर्वाग्रह दिखाई देता है।
• अनुप्रयुक्त प्रयोग: इतालवी आय डेटा का विश्लेषण बताता है कि एकल गामा या दो-घटक वाले मॉडल की तुलना में तीन घटकों वाला गामा मिश्रण (जो निम्न, मध्यम-उच्च, और शीर्ष-आय खंडों को कैप्चर करता है) बेहतर फिट प्रदान करता है, जैसा कि QQ-प्लॉट्स और सूचना मानदंडों (BIC) द्वारा प्रमाणित है। अनुमानित $m$-वें गिनी सूचकांक मॉडल विनिर्देश (घटकों की संख्या और स्केल धारणाएं) के आधार पर थोड़ा भिन्न होता है।

महत्व और दावे
शोध पत्र का दावा है कि यह एकल गामा आबादी से अधिक जटिल और यथार्थवादी गामा मिश्रण सेटिंग तक असमानता अनुमान की सैद्धांतिक समझ का विस्तार करता है। इसका प्राथमिक योगदान $m$-वें गिनी सूचकांक के सैद्धांतिक गुणों और विषम आबादी में इसके व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटना है।

लेखक विनम्रतापूर्वक यह दावा करते हैं कि हालांकि उनके कठोर साहसिक परिणाम (निष्पक्षता, सुसंगतता, सामान्यता) एक सामान्य दर पैरामीटर की धारणा पर निर्भर करते हैं, मोंटे कार्लो अध्ययन सुझाव देता है कि प्रस्तावित कार्यप्रणाली तब भी प्रभावी और उपयोगी रहती है जब इस धारणा को शिथिल किया जाता है। यह कार्य आय असमानता को मापने के लिए एक लचीला ढांचा प्रदान करता है जो जनसंख्या विषमता को ध्यान में रखता है, जिससे शोधकर्ताओं के लिए एक व्यावहारिक उपकरण उपलब्ध होता है जो तिरछी (skewed) आय डेटा के साथ काम कर रहे हैं। शोध पत्र निष्कर्ष निकालता है कि भविष्य के शोध इन परिणामों को अलग-अलग दर मापदंडों वाले मिश्रणों और अन्य धनात्मक वितरणों के परिवारों तक विस्तारित कर सकते हैं।