On the bias of the Hoover index estimator: Results for the gamma distribution

1. Il Problema

L'indice di Hoover (noto anche come indice di Robin Hood, Pietra o Schutz) è una misura ampiamente utilizzata della disuguaglianza economica, definita come la frazione del reddito totale che deve essere ridistribuita per raggiungere una perfetta uguaglianza. Sebbene l'indice di Gini abbia ricevuto un'attenzione teorica ed empirica estesa, specialmente riguardo al suo comportamento in campioni finiti e alla correzione del bias, le proprietà statistiche dell'estimatore empirico dell'indice di Hoover sono state poco studiate.
La letteratura esistente si limita prevalentemente a considerazioni asintotiche o indagini numeriche, lasciando un vuoto significativo nella comprensione delle proprietà in campioni finiti e nella quantificazione esatta del bias dell'estimatore sotto specifiche assunzioni distribuzionali.

2. Metodologia

Gli autori adottano un approccio analitico rigoroso basato su tecniche di trasformata di Laplace e "exponential tilting" (o trasformazione di Esscher). La metodologia si articola nei seguenti punti:

• Rappresentazione Generale: Viene derivata un'espressione chiusa per il valore atteso dell'estimatore dell'indice di Hoover ($\hat{H}$) per popolazioni non negative generiche. Questa derivazione utilizza identità integrali per la deviazione assoluta media e la proprietà di invarianza di scala.
• Tiltamento Esponenziale: Il cuore della dimostrazione risiede nell'uso di variabili casuali "exponentially tilted" (tiltate esponenzialmente). Gli autori dimostrano che il valore atteso di $\hat{H}$ può essere espresso in termini delle trasformate di Laplace della distribuzione sottostante e delle funzioni di distribuzione cumulativa (CDF) delle variabili tilate.
• Caso Gamma: Il framework generale viene specializzato per la distribuzione Gamma ($X \sim \text{Gamma}(\alpha, \lambda)$). Sfruttando le proprietà di chiusura della famiglia Gamma rispetto alla somma e al tiltamento esponenziale, gli autori ottengono un'espressione esplicita per il valore atteso di $\hat{H}$ che dipende solo dal parametro di forma $\alpha$ e dalla dimensione del campione $n$, risultando indipendente dal parametro di scala $\lambda$ (grazie all'invarianza di scala dell'indice).
• Simulazione Monte Carlo: Per validare i risultati teorici, viene condotta uno studio di simulazione Monte Carlo. Vengono generati campioni da distribuzioni Gamma con diversi parametri di forma ($\alpha \in \{0.5, 1, 1.5, 2, 5\}$) e dimensioni campionarie ($n \in \{25, 50, 75, 100\}$). Vengono confrontati l'estimatore originale e un estimatore corretto per il bias (ottenuto sottraendo il bias teorico stimato tramite massima verosimiglianza).

3. Contributi Chiave

Il paper apporta i seguenti contributi significativi alla letteratura statistica:

• Derivazione Esatta del Bias: Fornisce la prima espressione analitica esatta per il valore atteso e il bias dell'estimatore dell'indice di Hoover in campioni finiti per la distribuzione Gamma.
• Framework Unificato: Sviluppa un framework matematico basato su trasformate di Laplace e tiltamento esponenziale che è applicabile sia a distribuzioni continue che discrete (con esempi forniti anche per distribuzioni Poisson e Geometriche nell'appendice).
• Relazione con l'Indice di Gini: Dimostra che per $n=2$, l'estimatore dell'indice di Hoover è esattamente la metà dell'estimatore dell'indice di Gini proposto da Deltas (2003), collegando così le due misure di disuguaglianza in un contesto di campioni piccoli.
• Correzione del Bias: Propone una procedura di correzione del bias "plug-in" che utilizza le formule derivate teoricamente, offrendo uno strumento pratico per gli empirici.

4. Risultati

I risultati teorici e simulativi confermano le seguenti conclusioni:

• Bias Negativo: L'estimatore empirico dell'indice di Hoover è sistematicamente distorto (biased) in campioni finiti. Il bias è prevalentemente negativo, il che significa che l'estimatore tende a sottostimare la vera disuguaglianza.
• Dipendenza da $n$ e $\alpha$: L'entità del bias dipende fortemente dalla dimensione del campione ($n$) e dal parametro di forma della distribuzione Gamma ($\alpha$). Il bias è più pronunciato per campioni piccoli e per valori di $\alpha$ bassi (distribuzioni più asimmetriche).
• Efficacia della Correzione: Lo studio di simulazione mostra che l'estimatore corretto per il bias ($\hat{H}_c$) elimina quasi completamente la distorsione, portando il bias relativo a fluttuare intorno allo zero anche per campioni moderati.
• Efficienza: La correzione del bias non comporta un aumento significativo della variabilità. Le curve dell'Errore Quadratico Medio (RMSE) per l'estimatore originale e quello corretto sono quasi indistinguibili, indicando che la correzione migliora l'accuratezza senza penalizzare l'efficienza.

5. Significato e Implicazioni

Questo studio è rilevante per diverse ragioni:

• Applicabilità Empirica: Fornisce agli economisti e agli statistici un metodo rigoroso per correggere la sottostima della disuguaglianza quando si utilizza l'indice di Hoover su dati reali, specialmente in contesti con campioni limitati o distribuzioni asimmetriche (tipiche dei dati sul reddito).
• Fondamento Teorico: Colma una lacuna teorica importante, offrendo un'analogia strutturale con la letteratura più consolidata sul bias dell'indice di Gini.
• Direzioni Future: Gli autori suggeriscono che le tecniche sviluppate potrebbero essere estese a generalizzazioni asimmetriche della distribuzione normale (distribuzioni skew-normal e skew-ellittiche), aprendo nuove strade per l'analisi delle proprietà distributive degli indici di disuguaglianza in contesti più complessi.

In sintesi, il paper dimostra che l'uso non corretto dell'indice di Hoover in campioni finiti può portare a conclusioni errate sulla disuguaglianza economica e offre una soluzione analitica precisa e computazionalmente efficiente per mitigare questo problema.