The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis

Titolo: L'indice di disuguaglianza aritmetico-armonica: Teoria, inferenza e analisi in campioni finiti

1. Il Problema e l'Obiettivo

Il paper si propone di investigare e formalizzare l'indice di disuguaglianza aritmetico-armonica (AHI), definito per variabili aleatorie positive $X$. L'obiettivo è fornire una misura di dispersione che sia:

• Limitata: Assunta valori nell'intervallo $[0, 1)$.
• Invariante rispetto alla scala: Non cambia se la variabile viene moltiplicata per una costante positiva.
• Interpretabile: Basata sull'interazione tra la media aritmetica e la media armonica.

L'indice è definito come:
$$J = 1 - \frac{1}{E[X]E[1/X]}$$
dove $E[X]$ è la media aritmetica e $E[1/X]$ è il reciproco della media armonica ($H = 1/E[1/X]$). L'indice misura la deviazione del rapporto medio tra coppie di osservazioni dall'unità. Per piccole variabilità, $J$ si comporta come il quadrato del coefficiente di variazione ($CV^2$), ma rimane limitato superiormente a 1, offrendo un vantaggio rispetto alle misure non limitate.

2. Metodologia

Gli autori adottano un approccio analitico e simulativo strutturato in quattro fasi principali:

1. Derivazione Analitica:

   • Vengono ottenute espressioni chiuse per l'indice $J$ all'interno della famiglia delle distribuzioni Gaussiane Inverse Generalizzate (GIG).
   • La famiglia GIG include come casi particolari importanti la distribuzione Gaussiana Inversa (IG) e la distribuzione Gamma.
   • L'indice $J$ viene espresso in termini di funzioni di Bessel modificate ($K_p$) per il caso generale GIG, e semplificato per IG e Gamma.

2. Stima e Analisi del Bias (Campioni Finiti):

   • Viene introdotto lo stimatore $\hat{J}$ basato sulle medie campionarie aritmetica e armonica.
   • Utilizzando la trasformata di Laplace congiunta e il teorema di Tonelli, gli autori derivano una rappresentazione integrale esatta per il valore atteso dello stimatore $E[\hat{J}]$.
   • Questa rappresentazione permette di calcolare il bias esatto per le distribuzioni IG e Gamma, che non ammettono forme chiuse semplici in generale per $n \ge 2$, ma possono essere espresse tramite funzioni speciali (es. funzioni Gamma incomplete).

3. Proprietà Asintotiche:

   • Viene dimostrata la consistenza forte dello stimatore.
   • Viene stabilita la normalità asintotica utilizzando il metodo Delta e il Teorema del Limite Centrale multivariato.
   • Viene derivata un'approssimazione di bias del primo ordine ($O(1/n)$) basata sullo sviluppo di Taylor di secondo ordine della funzione che definisce l'indice.

4. Studio di Simulazione (Monte Carlo):

   • Viene condotta una simulazione per valutare le prestazioni in campioni finiti dello stimatore $\hat{J}$.
   • Vengono testati diversi scenari parametrici per le distribuzioni IG e Gamma con dimensioni campionarie $n \in \{20, 50, 75, 100, 200\}$ e $R=4000$ repliche.
   • Vengono calcolati il bias empirico e l'errore quadratico medio (MSE).

3. Contributi Chiave

• Formulazione Teorica: Dimostrazione che l'indice AHI è una trasformazione monotona del $CV^2$ ma con proprietà di limitazione superiori, collegandolo all'indice di Atkinson con parametro $\varepsilon=2$.
• Espressioni Chiuse: Derivazione di formule analitiche per $J$ nella famiglia GIG, IG e Gamma. In particolare, per la distribuzione Gamma, $J = 1/\alpha$ (dove $\alpha$ è il parametro di forma), fornendo un'interpretazione diretta come misura di dispersione.
• Analisi del Bias: Fornitura di una rappresentazione integrale esatta per il valore atteso dello stimatore e di espansioni asintotiche del bias, permettendo correzioni precise in campioni piccoli.
• Validazione Empirica: Conferma tramite simulazione che il bias e il MSE diminuiscono all'aumentare della dimensione campionaria, validando i risultati teorici asintotici.

4. Risultati Principali

• Comportamento dell'Indice:
  • Per la distribuzione Gaussiana Inversa (IG): $J = \mu / (\mu + \lambda)$, dipendente solo dal rapporto tra i parametri di posizione e forma.
  • Per la distribuzione Gamma: $J = 1/\alpha$ (per $\alpha > 1$), indipendente dal parametro di scala $\beta$.
  • Per la distribuzione Levy (caso limite di IG), lo stimatore risulta non distorto (bias nullo).
• Proprietà dello Stimatore:
  • Lo stimatore è fortemente consistente e asintoticamente normale.
  • La varianza asintotica dipende dalle varianze di $X$ e $1/X$ e dalla loro covarianza.
  • L'approssimazione del bias di primo ordine è stata derivata esplicitamente per le distribuzioni IG e Gamma, mostrando una dipendenza inversa dalla dimensione campionaria $n$.
• Risultati di Simulazione:
  • I grafici mostrano che sia il bias che il MSE decrescono rapidamente all'aumentare di $n$.
  • Le prestazioni sono robuste per diverse configurazioni parametriche, confermando l'affidabilità dello stimatore anche per campioni moderati ($n \ge 50$).

5. Significato e Implicazioni

Questo lavoro fornisce un quadro completo per l'uso dell'indice AHI in statistica applicata. La sua natura limitata ($[0, 1)$) lo rende particolarmente utile per confrontare la dispersione di variabili positive con scale diverse o distribuzioni molto diverse, dove il coefficiente di variazione classico potrebbe essere fuorviante o non limitato.
Le formule esatte per il bias e le proprietà asintotiche permettono agli statistici di:

1. Stimare l'indice con correzioni di bias in campioni piccoli.
2. Costruire intervalli di confidenza asintotici validi.
3. Applicare l'indice in contesti economici (dove l'indice di Atkinson è comune) e finanziari (per la modellazione di tempi di attesa o rendimenti), sfruttando la flessibilità della famiglia GIG.

In sintesi, il paper trasforma un concetto teorico di disuguaglianza in uno strumento statistico pratico, fornendo sia la teoria sottostante che gli strumenti per l'inferenza in campioni reali.