Inference for the Lorenz Curve and Gini Index under the Geometric Distribution

तकनीकी सारांश: ज्यामितीय वितरण (Geometric Distribution) के अंतर्गत लोरेन्ज़ वक्र (Lorenz Curve) और गिनी सूचकांक (Gini Index) हेतु अनुमान (Inference)

समस्या विवरण
असमानता के माप, विशेष रूप से लोरेन्ज़ वक्र और गिनी सूचकांक, अर्थशास्त्र, विश्वसनीयता सिद्धांत (reliability theory) और बीमा विज्ञान (actuarial science) के आधारभूत उपकरण हैं। जबकि निरंतर वितरणों (जैसे घातांकीय (exponential), लॉग-नॉर्मल, पारेटो) के लिए उनके सैद्धांतिक गुण और अनुमानात्मक ढांचे सुस्थापित हैं, विवेकी डेटा (discrete data) के लिए उनका अनुप्रयोग महत्वपूर्ण विश्लेणात्मक चुनौतियां प्रस्तुत करता है। विवेकी सेटिंग्स में, संचयी वितरण फलन (cumulative distribution function) एक स्टेप फंक्शन (step function) होता है, जो लोरेन्ज़ वक्र की मानक समाकल (integral) परिभाषा को अमान्य कर देता है। फलस्वरूप, मौजूदा साहित्य में विवेकी पैरामीट्रिक मॉडलों के तहत इन मापों के लिए एक व्यवस्थित अनुमानात्मक सिद्धांत का अभाव है। यह शोध पत्र इस अंतराल को भरने के लिए ज्यामितीय वितरण के तहत अधिकतम संभावना अनुमानकों (maximum likelihood estimators - MLEs) के लिए लोरेन्ज़ वक्र और गिनी सूचकांक के सटीक और स्पर्शोन्मुख (asymptotic) वितरण गुणों को विकसित करके इसे संबोधित करता है, जो विश्वसनीयता, कतार सिद्धांत (queuing theory) और महामारी विज्ञान जैसे क्षेत्रों में गणना डेटा (count data) के लिए एक मौलिक मॉडल है।

कार्यप्रणाली
लेखक संभाव्यता द्रव्यमान फलन (probability mass function) के सपोर्ट पर समाकलन (integration) को योग (summation) से प्रतिस्थापित करके लोरेन्ज़ वक्र का एक विवेकी अनुरूप (discrete analogue) तैयार करते हैं। एक ज्यामितीय यादृच्छिक चर $X \sim \text{Geom}(p)$ के लिए जिसका सपोर्ट $\{0, 1, 2, \dots\}$ है, लोरेज़ वक्र $L(u; p)$ को वितरण फलन के सामान्यीकृत व्युत्क्रम (generalized inverse) के माध्यम से परिभाषित किया जाता है।

अध्ययन निम्नलिखित कार्यप्रणाली चरणों के माध्यम से आगे बढ़ता है:

1. अनुमानक व्युत्पत्ति (Estimator Derivation): पैरामीटर $p$ के MLE की अपरिवर्तनीयता गुण (invariance property) का उपयोग करते हुए, लोरेन्ज़ वक्र ($\hat{L}(u)$) और गिनी सूचकांक ($\hat{G}$) के अनुमानकों को सीधे $p$ के MLE, जिसे $\hat{p} = n / (n + \sum X_i)$ कहा जाता है, से व्युत्पन्न किया गया है।
2. सटीक वितरण सिद्धांत (Exact Distribution Theory): यह पहचानते हुए कि पर्याप्त सांख्यिकी (sufficient statistic) $T = \sum X_i$ एक ऋणात्मक द्विपद (negative binomial) वितरण का अनुसरण करती है, लेखक $\hat{L}(u)$ और $\hat{G}$ के सटीक नमूना वितरणों को बंद रूप (closed form) में व्युत्पन्न करते हैं। ये वितरण जाली-आधारित (lattice-based) और गैर-सुचारू (non-smooth) हैं, जो अंतर्निहित मॉडल की विवेकी प्रकृति को दर्शाते हैं।
3. स्पर्शोन्मुख विश्लेषण (Asymptotic Analysis): शोध पत्र दोनों अनुमानकों के लिए सुदृढ़ स्थिरता (strong consistency) और $L_k$-अभिसरण (convergence) स्थापित करता है। डेल्टा विधि (delta method) का उपयोग करके स्पर्शोन्मुख सामान्यता (asymptotic normality) व्युत्पन्न की जाती है, जिससे स्पष्ट प्रसरण (variance) अभिव्यक्तियाँ प्राप्त होती हैं।
4. सिमुलेशन और अनुप्रयोग: एक मोंटे कार्लो सिमुलेशन अध्ययन (5,000 पुनरावृत्ति) विभिन्न पैरामीटर मानों ($p$) और नमूना आकारों ($n$) के तहत परिमित-नमूना प्रदर्शन (बायस, प्रसरण, MSE) का मूल्यांकन करता है। इस कार्यप्रणाली को 'फेडरलिस्ट पेपर्स' (Federalist Papers) शब्द गणना डेटासेट का उपयोग करके और अधिक स्पष्ट किया गया है।

प्रमुख योगदान और परिणाम

• सटीक वितरण रूप: यह शोध पत्र ज्यामितीय वितरण के तहत लोरेन्ज़ वक्र और गिनी सूचकांक अनुमानकों के सटीक नमूना वितरणों के लिए प्रथम बंद-रूप अभिव्यक्तियों को प्रदान करता है।

  • गिनी सूचकांक के लिए, यह दिखाया गया है कि अनुमानक $\hat{G} = (n+T)/(2n+T)$ पर्याप्त सांख्यिकी $T$ का एक-से-एक फलन है। इसका वितरण फलन अपूर्ण ऋणात्मक द्विपद संचयी वितरण फलन (CDF) के माध्यम से व्यक्त किया जाता है।
  • लोरेन्ज़ वक्र के लिए, वितरण को ऋणात्मक द्विपद चर के रूपांतरण के आधार पर व्युत्पन्न किया गया है, जो सामान्यीकृत व्युत्क्रम पर निर्भर एक स्टेपवाइज़ संरचना को प्रकट करता है।

• स्पर्शोन्मुख गुण (Asymptotic Properties):

  • गिनी सूचकांक: यह दिखाया गया है कि अनुमानक $\hat{G}$ सुदृढ़ रूप से सुसंगत (strongly consistent) और स्पर्शोन्मुख रूप से सामान्य है। इसका स्पर्शोन्मुख प्रसरण स्पष्ट रूप से $\tau^2 = p^2(1-p)/(2-p)^4$ के रूप में व्युत्पन्न किया गया है। उल्लेखनीय रूप से, गिनी सूचकांक अनुमानक को पैरामीटर $u$ के संबंध में नियमितता शर्तों की आवश्यकता नहीं होती है (क्योंकि यह $p$ का एक स्केलर फलन है), जो मध्यम नमूना आकारों में भी विश्वसनीय अनुमान की अनुमति देता है।
  • लोरेन्ज़ वक्र: अनुमानक $\hat{L}(u)$ सुसंगत है, लेकिन इसकी स्पर्शोन्मुख सामान्यता के लिए एक नियमितता शर्त आवश्यक है: मैपिंग $p \mapsto F^{-1}(u; p)$ को वास्तविक पैरामीटर के पड़ोस में स्थिर होना चाहिए। इसके बिना, अवकलज (derivative) अपरिभाषित है।

• परिमित-नमूना प्रदर्शन (सिमुलेशन निष्कर्ष):

  • गिनी सूचकांक अनुमानक सुदृढ़ रूप से कार्य करता है; सिम्युलेटेड प्रसरण छोटे नमूना आकार ($n=20$) के लिए भी स्पर्शोन्मुख सन्निकटन का बारीकी से अनुसरण करता है।
  • इसके विपरीत, लोरेन्ज़ वक्र अनुमानक स्पर्शोन्मुख शासन (asymptotic regime) में अभिसरण करने में काफी धीमा प्रदर्शन करता है। वितरण की विवेकी "जंप" संरचना के कारण, अनुमानक अक्सर सामान्यीकृत व्युत्क्रम के जंप पॉइंट्स को पार कर जाता है, जिससे डेल्टा विधि के पूर्वानुमान से अधिक प्रसरण बढ़ जाता है। यह प्रभाव बड़े $p$ के मानों के लिए अधिक स्पष्ट है। सिमुलेशन संकेत देता है कि $\hat{L}(u)$ के लिए स्पर्शोन्मुख सामान्यता को व्यावहारिक रूप से विश्वसनीय होने के लिए काफी बड़े नमूना आकार की आवश्यकता हो सकती है।

• वास्तविक डेटा अनुप्रयोग:

  • पद्धति को 'फेडरलिस्ट पेपर्स' शब्द गणना डेटासेट (शब्द "may" की आवृत्ति) पर लागू किया गया था। ज्यामितीय वितरण ने एक उत्कृष्ट फिट प्रदान किया (पियर्सन $\chi^2$ p-मान = 0.783)।
  • अनुमानित गिनी सूचकांक $\hat{G} = 0.7162$ था, जिसका 95% विश्वास अंतराल $(0.6926, 0.7398)$ था, जो शब्द उपयोग में उच्च एकाग्रता को दर्शाता है।
  • फिट किया गया लोरेन्ज़ वक्र उस विवेकी विशेषता को सही ढंग से पकड़ता है जहाँ सबसे निचले 40% पाठ ब्लॉक (वे जिनमें शून्य उपस्थिति है) कुल गणना में कुछ भी योगदान नहीं देते हैं, जिसके परिणामस्वरूप मूल बिंदु (origin) पर एक सपाट खंड (flat segment) बनता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह विवेकी सेटिंग्स में असमानता मापों के लिए एक कठोर अनुमानात्मक ढांचा प्रदान करता है, जो शास्त्रीय लोरेन्ज़-आधारित विश्लेषण को एक मौलिक विवेकी गणना मॉडल तक विस्तारित करता है। लेखक इस बात पर जोर देते हैं कि जबकि गिनी सूचकांक अनुमानक मध्यम नमूना आकारों से मानक स्पर्शोन्मुख अनुमान की अनुमति देता है, लोरेन्ज़ वक्र अनुमानक को सटीक अनुमान के लिए, विशेष रूप से छोटे नमूनों या जब $p$ बड़ा हो, व्युत्पन्न सटीक वितरणों के उपयोग की आवश्यकता होती है। यह अंतर निरंतर और विवेकी असमानता अनुमान के बीच एक मौलिक अंतर को रेखांकित करता है। यह कार्य एक विशिष्ट अंतराल को संबोधित करता है जहाँ विवेकी पैरामीट्रिक मॉडलों के लिए व्यवस्थित अनुमानात्मक सिद्धांत (सटीक वितरण, स्थिरता और स्पर्शोन्मुख सामान्यता को कवर करना) पहले अनुपस्थित था।