Unifying the Hoover and Gini indices: Analytical, bias, and computational aspects

Titolo: Unificazione degli indici di Hoover e Gini: Aspetti analitici, di bias e computazionali

1. Il Problema e il Contesto

Le misure di disuguaglianza economica, in particolare l'indice di Hoover (noto anche come indice Robin Hood) e il coefficiente di Gini, sono strumenti fondamentali per quantificare le disparità di reddito e ricchezza. Sebbene entrambi misurino la disuguaglianza, enfatizzano aspetti diversi della dispersione:

• Indice di Hoover ($H$): Si basa sulla deviazione assoluta media rispetto alla media ($\frac{1}{2\mu}E|X-\mu|$). Ha un'interpretazione redistributiva diretta (la proporzione di reddito da riallocare per raggiungere l'uguaglianza).
• Coefficiente di Gini ($G$): Si basa sulle differenze pairwise tra individui ($\frac{1}{2\mu}E|X_1-X_2|$) ed è strettamente legato alla curva di Lorenz.

Il problema centrale affrontato dagli autori è che queste due misure possono portare a conclusioni diverse, specialmente in distribuzioni con alta asimmetria o valori estremi. Non esiste un framework unificato che permetta di analizzare la sensibilità delle conclusioni al concetto stesso di disuguaglianza (deviazioni dalla media vs. differenze interpersonali).

2. Metodologia e Proposta

Gli autori introducono una nuova famiglia di indici di disuguaglianza, denotata come $I_\lambda$, che funge da interpolazione continua tra l'indice di Hoover e il coefficiente di Gini.

• Definizione: Per un parametro $\lambda \in [0, 1]$, l'indice è definito come:
  $$I_\lambda = \frac{1}{2\mu} E \left| (1-\lambda)(X_1 - \mu) + \lambda(X_1 - X_2) \right|$$
  Dove $X_1, X_2$ sono copie indipendenti della variabile casuale del reddito $X$.

  • Per $\lambda = 0$, $I_0 = H$ (Indice di Hoover).
  • Per $\lambda = 1$, $I_1 = G$ (Coefficiente di Gini).
  • Per valori intermedi, l'indice combina le deviazioni dalla media con le differenze pairwise.

• Proprietà Teoriche: Gli autori dimostrano che $I_\lambda$ soddisfa proprietà fondamentali:

  • Invarianza di scala.
  • Limitatezza ($0 \le I_\lambda \le G \le 1$).
  • Continuità rispetto a $\lambda$.
  • Rispetto del principio di trasferimento di Pigou-Dalton (una redistribuzione progressiva riduce l'indice).

• Rappresentazioni Analitiche:

  • Viene derivata una forma integrale generale basata sulle funzioni di distribuzione.
  • Per la distribuzione Gamma ($X \sim \text{Gamma}(\alpha, \beta)$), viene ottenuta un'espressione chiusa che coinvolge le funzioni gamma incomplete ($\Gamma(s, x)$).

• Stima Statistica e Bias:

  • Viene studiato lo stimatore "plug-in" naturale $\hat{I}_\lambda$, ottenuto sostituendo la media teorica $\mu$ con la media campionaria $\bar{X}$.
  • Utilizzando tecniche di trasformata di Laplace e tilting esponenziale (trasformata di Esscher), gli autori derivano un'espressione generale per il valore atteso dello stimatore.
  • Per popolazioni Gamma, viene ottenuta una formula esplicita per il bias dello stimatore, che coinvolge la distribuzione GHypo (Generalized Hypoexponential) e funzioni ipergeometriche confluenti.

3. Risultati Chiave

• Proprietà dello Stimatore:

  • L'analisi teorica mostra che lo stimatore $\hat{I}_\lambda$ è distorto (biased) per campioni finiti, ma il bias diminuisce all'aumentare della dimensione campionaria $n$.
  • Viene confrontato con uno stimatore alternativo basato sulla disuguaglianza triangolare ($\hat{J}_\lambda = (1-\lambda)\hat{H} + \lambda\hat{G}$). Sebbene $\hat{J}_\lambda$ sia matematicamente più semplice, gli autori dimostrano che $\hat{I}_\lambda$ presenta un bias inferiore rispetto a $\hat{J}_\lambda$.

• Studio di Simulazione (Monte Carlo):

  • Sono stati condotti esperimenti su distribuzioni Gamma con diversi parametri di forma ($\alpha$) e dimensioni campionarie ($n$).
  • Risultati: Lo stimatore mostra buone prestazioni in campioni finiti. Sia l'errore quadratico medio (MSE) che la varianza diminuiscono sistematicamente all'aumentare di $n$.
  • Il bias è più pronunciato per distribuzioni altamente asimmetriche (piccolo $\alpha$) e piccoli campioni, ma tende a zero rapidamente.

• Applicazione Empirica:

  • L'indice è stato applicato ai dati sul PIL pro capite (in dollari PPP costanti 2021) dei paesi delle Americhe (dati Banca Mondiale).
  • I risultati mostrano una transizione continua e crescente da $H$ (0.229) a $G$ (0.329) al variare di $\lambda$.
  • La curva risultante conferma la flessibilità dello strumento: valori di $\lambda$ vicini a 0 enfatizzano le deviazioni dalla media, mentre valori vicini a 1 riflettono le differenze pairwise.

4. Significato e Contributi

1. Unificazione Teorica: La ricerca offre un framework parametrico unico che unifica due delle misure di disuguaglianza più utilizzate, permettendo agli studiosi di esplorare la robustezza delle conclusioni rispetto alla definizione di disuguaglianza adottata.
2. Avanzamento Analitico: La derivazione di espressioni analitiche esatte per la distribuzione Gamma e la caratterizzazione del bias dello stimatore rappresentano un contributo significativo alla letteratura statistica sulla disuguaglianza.
3. Utilità Pratica: L'indice proposto non è solo un esercizio teorico, ma uno strumento flessibile per l'analisi empirica. Permette di valutare quanto la percezione della disuguaglianza dipenda dalla scelta tra focalizzarsi sulla media o sulle differenze individuali.
4. Superiorità dello Stimatore: La dimostrazione che lo stimatore diretto di $I_\lambda$ è meno distorto rispetto alla semplice combinazione lineare degli stimatori di Hoover e Gini offre un metodo di stima preferibile per l'analisi dei dati reali.

In conclusione, il lavoro fornisce un nuovo strumento robusto e teoricamente fondato per l'analisi della disuguaglianza economica, colmando il divario tra le interpretazioni classica di Hoover e Gini e fornendo strumenti statistici precisi per la sua applicazione.