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

Sintesi Tecnica: Due Misure di Tipo Gini Regolabili con Stima tramite Statistica U

Enunciato del Problema
Il coefficiente di Gini classico, pur essendo un punto di riferimento standard per la misurazione delle disuguaglianze di reddito e ricchezza grazie alla sua interpretabilità e facilità di stima, tratta tutte le differenze pairwise tra le osservazioni in modo uguale. Questa ponderazione uniforme può oscurare modelli sfumati di dispersione, in particolare per quanto riguarda il modo in cui le disparità estreme rispetto ai divari moderati contribuiscono alla disuguaglianza complessiva. Gli autori affrontano la necessità di misure di disuguaglianza che consentano agli analisti di regolare la sensibilità verso la disuguaglianza di coda senza abbandonare il quadro teorico del coefficiente di Gini.

Metodologia
Il documento introduce due nuove famiglie di misure di disuguaglianza, indicate come $G_p$ e $H_q$, che generalizzano il coefficiente di Gini classico ($G$) attraverso parametri regolabili $p > 1$ e $q > 0$, rispettivamente.

1. Definizioni:

   • $G_p$: Definita tramite un kernel logaritmico. Sostituisce la differenza assoluta grezza $|X_1 - X_2|$ con un kernel scalato $T(p)$ che coinvolge termini logaritmici. Quando $p \to \infty$, $G_p$ converge al Gini classico.
   • $H_q$: Definita tramite un kernel di differenza di media potenza $K(q)$, che utilizza la differenza tra la media alla potenza $q$ e la media alla potenza $-q$ di due osservazioni. Quando $q \to \infty$, anche $H_q$ converge al Gini classico.

2. Proprietà Teoriche:

   • Entrambe le misure sono mostrate come funzioni crescenti dei rispettivi parametri ($p$ e $q$), implicando che valori più alti aumentano la sensibilità della misura alle disparità estreme (avversione alla disuguaglianza).
   • Entrambe le misure convergono a 0 quando i parametri si avvicinano ai loro limiti inferiori ($p \to 1^+$ e $q \to 0^+$) e al Gini classico quando i parametri tendono all'infinito.
   • Invarianza di Scala: Viene notata una distinzione chiave: $H_q$ è invariante rispetto alla scala di rapporto (invariante sotto moltiplicazione scalare positiva del reddito), simile al Gini classico. Al contrario, $G_p$ non è invariante rispetto alla scala di rapporto; scalare la variabile del reddito è matematicamente equivalente a cambiare il parametro di regolazione $p$.
   • Entrambe le misure sono comprese tra 0 e 1.

3. Stima e Asintotica:

   • Gli autori derivano stimatori di inserimento (plug-in) in forma chiusa basati su statistiche U ($\hat{G}_p$ e $\hat{H}_q$) basati su dati campionari.
   • Utilizzando risultati standard per le statistiche U (Hoeffding, 1948), stabiliscono la consistenza forte e la normalità asintotica per entrambi gli stimatori sotto condizioni di momento lievi (specificamente, momenti primi e secondi finiti della distribuzione sottostante).
   • La varianza asintotica è derivata utilizzando il metodo delta multivariato, fornendo una base per la costruzione di intervalli di confidenza e test di ipotesi.

Risultati Empirici e di Simulazione

• Simulazione Monte Carlo: È stato condotto uno studio di simulazione utilizzando dati generati da distribuzioni Gamma con dimensioni campionarie variabili ($n \in \{30, 50, 100, 200, 500\}$) e valori di parametro ($p, q \in \{1.1, 2, 5, 10, 50\}$).
  • I risultati indicano che l'Errore Relativo Assoluto Medio (MARE) e l'Errore Quadratico Medio Radice (RMSE) diminuiscono all'aumentare della dimensione campionaria.
  • L'approssimazione normale asintotica risulta adeguata per dimensioni campionarie $n \geq 100$.
  • Lo studio conferma che valori di parametro più grandi producono stime più vicine al Gini classico, ereditando le sue proprietà di stima favorevoli in quelle configurazioni specifiche.
• Applicazione Empirica: Le misure sono state applicate ai dati sul PIL pro capite per 34 paesi delle Americhe (2023).
  • I dati sono stati validati rispetto a una distribuzione Gamma utilizzando i test di Kolmogorov–Smirnov e Cramér–von Mises.
  • L'analisi dei profili di sensibilità (tracciando le stime in funzione di $p$ e $q$) ha rivelato che $G_p$ aumenta ripidamente a bassi valori di $p$ prima di stabilizzarsi, mentre $H_q$ aumenta in modo più graduale. Ciò suggerisce che le disparità pairwise estreme sono un motore significativo della disuguaglianza nel dataset e che valori moderati di $p$ catturano la maggior parte di questo effetto.

Contributi Chiave

1. Misure Innovative: L'introduzione di due indici di disuguaglianza regolabili ($G_p$ e $H_q$) che colmano il divario tra le misure di dispersione standard e il coefficiente di Gini classico.
2. Teoria Statistica: La derivazione di stimatori di statistiche U in forma chiusa e la prova rigorosa della loro consistenza forte e normalità asintotica.
3. Utilità Pratica: La fornitura di un quadro per l'analisi di sensibilità. Esaminando il profilo delle stime su un intervallo di parametri, gli analisti possono determinare se la disuguaglianza è distribuita uniformemente o guidata da valori anomali estremi, informando così la scelta di una metrica riassuntiva appropriata.

Significato
Il documento afferma che queste misure sono progettate non per sostituire il coefficiente di Gini, ma per completarlo. Consentendo la regolazione della sensibilità verso la disuguaglianza di coda, questi indici offrono una visione più granulare delle strutture distributive. Gli autori sottolineano che la scelta del parametro ($p$ o $q$) dovrebbe essere guidata dal quadro normativo specifico o dalla natura dei dati (ad esempio, se l'unità di misura dovrebbe influenzare la valutazione). La possibilità di costruire intervalli di confidenza attraverso le distribuzioni asintotiche derivate ne aumenta ulteriormente l'applicabilità nell'analisi delle politiche e nella ricerca empirica.