📊 statistics

Unbiased estimation in new Gini index extensions under gamma distributions, with application to real income data

Questo articolo introduce due estensioni flessibili e orientate alla posizione dell'indice di Gini classico basate sulle statistiche d'ordine, stabilisce le loro proprietà teoriche, inclusa l'imparzialità esatta per le distribuzioni gamma, e dimostra la loro capacità superiore di caratterizzare la disuguaglianza attraverso simulazioni e un'applicazione ai dati del PIL sudamericano.

Autori originali: Roberto Vila, Helton Saulo

Pubblicato 2026-06-05

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Roberto Vila, Helton Saulo

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover misurare quanto sia "irregolare" un mucchio di sabbia. Per decenni, gli economisti hanno usato un unico righello chiamato Indice di Gini. Questo fornisce un unico numero: un punteggio di 0 significa che tutti hanno esattamente la stessa quantità di sabbia, e un punteggio di 1 significa che una sola persona possiede tutto.

Ma ecco il problema con questo singolo righello: è un po' come guardare una catena montuosa dallo spazio. Puoi vedere la differenza di altezza totale, ma non puoi dire se le scogliere ripide siano alla base (i poveri) o in cima (i ricchi). Due diversi mucchi di sabbia potrebbero avere lo stesso punteggio di "irregolarità", anche se uno ha una piccola valle sul fondo e l'altro un enorme picco sulla cima.

Questo articolo introduce due nuovi righelli più flessibili per correggere questo punto cieco. Gli autori, Roberto Vila e Helton Saulo, li chiamano Indice di Gini Inferiore Esteso e Indice di Gini Superiore Esteso.

Le Nuove "Lenti d'Ingrandimento"

Pensa al vecchio Indice di Gini come a una lente grandangolare che cattura l'intera immagine ma sfoca i dettagli. I nuovi indici sono come due diverse lenti d'ingrandimento:

Il Gini Inferiore (La lente "dal basso verso l'alto"): Misura quanto una persona casuale sia lontana dalla persona più povera in un piccolo gruppo. Si concentra specificamente sulla "valle" alla base della distribuzione del reddito. Chiede: "Quanto ha in più la persona media rispetto alla persona che si trova all'estremo inferiore?"
Il Gini Superiore (La lente "dall'alto verso il basso"): Misura quanto una persona casuale sia lontana dalla persona più ricca in quello stesso gruppo. Si concentra sul "picco" in cima. Chiede: "Quanto la persona più ricca ha in più rispetto alla persona media?"

Come Funzionano (L'analogia del "Gruppo di Amici")

Per capire come funzionano, immagina di riunire un gruppo di $m$ amici (dove $m$ è almeno 2) e di osservare i loro conti bancari.

Il Vecchio Modo: Ti limiti a guardare la differenza tra l'amico più ricco e quello più povero nel gruppo. Quello è il Gini standard.
Il Nuovo Modo: Scegli un amico specifico (chiamiamolo Alex).
- Per l'Indice Inferiore, misuri il divario tra Alex e la persona più povera del gruppo.
- Per l'Indice Superiore, misuri il divario tra la persona più ricca del gruppo e Alex.

L'articolo dimostra che, anche se hai scelto un "Alex" specifico, la matematica funziona in modo tale che il risultato rappresenti equamente l'intero gruppo, indipendentamente da chi sia Alex.

Il Segreto della "Gamma"

Gli autori non si sono limitati a inventare questi nuovi righelli; hanno dimostrato che sono matematicamente perfetti per un tipo specifico di distribuzione di dati chiamato distribuzione Gamma.

Pensa alla distribuzione Gamma come a una forma molto comune che i dati sul reddito spesso assumono (è asimmetrica, il che significa che la maggior parte delle persone si trova nel mezzo, ma ci sono alcuni outlier molto ricchi). Gli autori hanno dimostato che, per questa specifica forma di dati, i loro nuovi righelli sono non distorti (unbiased).

In termini quotidiani, "non distorto" significa che il righello non mente. Se lo usi su un piccolo campione di dati, non sovrastima o sottostima sistematicamente l'ineguaglianza reale. Colpisce il bersaglio in media. Questa è una grande conquista perché molti strumenti statistici funzionano perfettamente solo se si dispone di una quantità enorme di dati; questi nuovi strumenti funzionano bene anche con gruppi più piccoli.

Testare i Righelli

Gli autori hanno testato la loro idea in due modi:

Simulazioni al Computer: Hanno creato migliaia di dataset di reddito fittizi su un computer. Hanno controllato se i loro nuovi righelli fornivano le risposte corrette. Il risultato? I righelli erano accurati e, man mano che venivano inseriti più dati, le risposte diventavano ancora più precise.
Test del Mondo Reale: Hanno applicato questi nuovi indici al PIL pro capite del 2023 di 11 paesi del Sud America.
- Il Risultato: I nuovi indici hanno fornito un quadro molto più ricco rispetto al vecchio. Sono riusciti a mostrare che alcuni paesi avevano problemi specifici proprio alla base della scala del reddito, mentre altri avevano divari estremi proprio in cima. Il vecchio numero singolo avrebbe solo detto "l'ineguaglianza è X", nascondendo questi dettagli specifici.

La Conclusione

Questo articolo non dice solo che "l'ineguaglianza è un problema". Fornisce agli economisti un nuovo set di strumenti per misurare dove sta avvenendo l'ineguaglianza.

Se un governo vuole sapere se le sue politiche stanno aiutando i più poveri, può guardare il Gini Inferiore.
Se vuole sapere se il divario di ricchezza in cima si sta allargando, può guardare il Gini Superiore.

Dividendo la misurazione in "base" e "cima", gli autori forniscono un modo per vedere la forma della distribuzione del reddito in alta definizione, invece di un'immagine sfocata e di un singolo numero.

Sintesi Tecnica: Stima Incorrotta in Nuove Estensioni dell'Indice di Gini sotto Distribuzioni Gamma

Problematica
L'indice di Gini classico, pur essendo ampiamente utilizzato per misurare la disuguaglianza del reddito, condensa l'intera distribuzione in un singolo valore scalare. Questa aggregazione può oscurare caratteristiche distributive critiche, come se la disuguaglianza sia concentrata nelle code inferiori, medie o superiori. Recenti estensioni, come l'indice di Gini $m$ -esimo (Gavilan-Ruiz et al., 2024), generalizzano la misura classica considerando l'intervallo atteso di campioni di dimensione $m$ . Tuttavia, queste misure rimangono indicatori aggregati e non forniscono informazioni su come la disuguaglianza sia distribuita rispetto a posizioni specifiche all'interno del campione, in particolare riguardo agli estremi inferiori e superiori. Vi è la necessità di misure che offrano una valutazione "orientata alla posizione" della disuguaglianza, mantenendo al contempo proprietà statistiche desiderabili, come l'inconsistenza (unbiasedness), sotto specifiche assunzioni distributive comuni nella modellazione economica.

Metodologia
Gli autori introducono due nuove misure: l'indice di Gini inferiore esteso ( $IG_{m;\min}$ ) e l'indice di Gini superiore esteso ( $IG_{m;\max}$ ). Questi sono definiti per una variabile casuale non negativa $X$ con media $\mu$ e una dimensione del campione $m \geq 2$ :

$IG_{m;\min} = \frac{E[X_1 - \min\{X_1, \dots, X_m\}]}{m\mu}$
$IG_{m;\max} = \frac{E[\max\{X_1, \dots, X_m\} - X_1]}{m\mu}$

Questi indici quantificano la disuguaglianza rispetto alle code inferiori e superiori, rispettivamente. Notevolmente, essi sommano l'indice di Gini $m$ -esimo ( $IG_m$ ). I coefficienti della popolazione sono invarianti rispetto all'osservazione specifica scelta a causa dell'escambiabilità, sebbene gli stimatori campionari dipendano dalla posizione $i$ selezionata.

Il documento si concentra su popolazioni con distribuzione Gamma ( $X \sim \text{Gamma}(\alpha, \lambda)$ ), una scelta motivata dalla prevalenza di tale distribuzione nella modellazione del reddito e dalla sua trattabilità analitica riguardo alle statistiche d'ordine. Gli autori:

Derivano gli Stimatori: Costruiscono stimatori basati sul campione ( $\widehat{d}_i IG_{m;\min}$ e $\widehat{d}_i IG_{m;\max}$ ) utilizzando le statistiche U su tutti i possibili sottocampioni di dimensione $m$ da un campione di dimensione $n$ .
Stabiliscono le Proprietà Asintotiche: Dimostrano consistenza e normalità asintotica sotto condizioni di regolarità deboli utilizzando la legge forte dei grandi numeri per le statistiche U e la decomposizione di Hoeffding.
Dimostrano l'Incorrettezza (Unbiasedness): Utilizzano tecniche di trasformata di Laplace e proprietà specifiche della distribuzione Gamma per derivare espressioni esatte delle aspettative degli stimatori. Gli autori dimostrano che, per popolazioni Gamma, gli stimatori sono corretti (unbiased), ovvero $E[\widehat{d}_i IG_{m;\min}] = IG_{m;\min}$ e $E[\widehat{d}_i IG_{m;\max}] = IG_{m;\max}$ .
Caratterizzano le Proprietà: Stabiliscono l'invarianza di scala, la mancanza di invarianza per traslazione e le rappresentazioni di covarianza coinvolgenti la funzione di distribuzione $F$ .

Risultati Chiave

Incorrettezza Teorica: Il documento fornisce espressioni esatte in campioni finiti per le aspettative dei proposti stimatori sotto il modello Gamma, dimostrando che sono corretti (unbiased). Ciò estende i risultati precedenti di Deltas (2003) e Baydil et al. (2025) riguardanti l'indice di Gini $m$ -esimo.
Decomposizione: La somma degli indici estesi inferiore e superiore recupera l'indice di Gini $m$ -esimo, consentendo una decomposizione della disuguaglianza complessiva nelle componenti della coda inferiore e della coda superiore.
Performance delle Simulazioni: Simulazioni Monte Carlo (500 replicazioni) per dati Gamma(2, 1) con dimensioni campionarie $n \in \{10, 30, 50, 100, 200\}$ e $m=3$ confermano i risultati teorici. Gli stimatori mostrano un piccolo bias empirico che diminuisce con la dimensione del campione e un Errore Quadratico Medio (MSE) che converge come previsto, supportando le affermazze di consistenza e correttezza.
Applicazione Empirica: La metodologia è stata applicata ai dati del PIL pro capite 2023 di 11 paesi sudamericani. I dati sono stati adattati a una distribuzione Gamma (validata tramite test KS e Cramér-von Mises). Le mappe di calore (heatmaps) degli indici stimati attraverso diversi valori di $m$ $m$ e $i$ $i$ hanno rivelato schemi sistematici:
- L'indice inferiore esteso aumentava con $i$ e $m$ , riflettendo la sensibilità alla dispersione nella coda inferiore.
- L'indice superiore esteso ha prodotto valori più elevati rispetto all'indice inferiore per gli stessi parametri, riflettendo l'impatto maggiore della statistica d'ordine massima.
- L'analisi ha dimostrato che questi indici forniscono una caratterizzazione più ricca della disuguaglianza rispetto a un singolo coefficiente aggregato, rivelando caratteristiche distinte della distribuzione del reddito in entrambe le code.

Significato e Rivendicazioni
Gli autori affermano che queste sono le prime misure di tipo Gini che separano esplicitamente i contributi della disuguaglianza rispetto agli estremi campionari inferiori e superiori, possedendo al contempo sia l'esatta correttezza in campioni finiti sotto i modelli Gamma sia le standard proprietà inferenziali di grandi campioni.

Il documento sottolinea che, a differenza delle misure di Gini tradizionali, i processi proposti offrono una "prospettiva orientata alla posizione", permettendo ai ricercatori di valutare come la disuguaglianza si manifesti rispetto a specifiche code della distribuzione. Fornendo stimatori corretti per le popolazioni Gamma — un modello comune per i dati economici — gli autori sostengono che queste misure fungano da utili strumenti complementari per l'analisi della disuguaglianza, capaci di rivelare caratteristiche distributive che potrebbero rimanere nascoste nell'uso di un singolo coefficiente aggregato. Il lavoro estende la letteratura sulle misure di tipo Gini colmando il divario tra le misure basate sull'intervallo aggregato e la valutazione della disuguaglianza specifica per posizione.