Income inequality estimation with gamma mixtures

Sintesi Tecnica: Stima della Disuguaglianza del Reddito con Miscele Gamma

Enunciato del Problema
I dati sul reddito presentano tipicamente distribuzioni asimmetriche a destra con code lunghe, una caratteristica spesso catturata in modo approssimativo da singole distribuzioni parametriche. I modelli a miscela finita, in particolare le miscele Gamma, offrono un quadro flessibile per rappresentare popolazioni eterogenee come collezioni di sottopopolazioni omogenee. Mentre il coefficiente di Gini classico ($m=2$) è una misura standard della disuguaglianza, l'indice di Gini $m$-esimo ($IG_m$), introdotto da Gavilan-Ruiz et al. (2024), generalizza questo concetto utilizzando l'intervallo di campioni di dimensione $m$. Una sfida statistica critica nella stima delle misure di disuguaglianza è il bias (distorsione) da campione finito. La letteratura precedente ha stabilito l'imparzialità per l'indice di Gini $m$-esimo sotto singole popolazioni Gamma (Vila e Saulo, 2025b) e ha derivato espressioni di bias per il coefficiente di Gini classico sotto miscele Gamma (Vila e Saulo, 2025a). Tuttavia, mancava un trattamento analitico completo dell'estimatore dell'indice di Gini $m$-esimo sotto miscele Gamma finite, inclusi il suo bias, le proprietà asintotiche e le prestazioni sotto variabili parametri di scala.

Metodologia
L'articolo si concentra su una variabile casuale $X$ che segue una miscela finita di distribuzioni Gamma, denotata come $X \sim GM(\theta)$, dove $\theta$ include proporzioni di miscelazione, parametri di forma e un parametro di tasso comune $\lambda$. Gli autori impiegano i seguenti passaggi metodologici:

1. Derivazione dell'Indice di Popolazione: Utilizzando la rappresentazione della miscela e il teorema multinomiale, gli autori derivano un'espressione in forma chiusa per l'indice di Gini $m$-esimo della popolazione ($IG_m$). Questa espressione coinvolge integrali di funzioni Gamma incomplete e coefficienti multinomiali, caratterizzando l'indice come una funzione dei parametri della miscela.
2. Analisi dell'Estimatore: Lo studio analizza l'estimatore U-statistica non parametrico ($\widehat{IG}_m$) proposto da Deltas (2003) ed esteso da Vila e Saulo (2025b). Sfruttando le proprietà delle statistiche d'ordine e della trasformata di Laplace della miscela Gamma, gli autori derivano formule esplicite per l'aspettativa e il bias da campione finito di $\widehat{IG}_m$.
3. Teoria Asintotica: Assumendo un parametro di tasso comune tra le componenti della miscela, l'articolo stabilisce:
   • Un limite inferiore asintotico per il bias utilizzando la disuguaglianza di Jensen.
   • L'imparzialità asintotica, dimostrando che il bias svanisce all'aumentare della dimensione del campione $n \to \infty$.
   • Consistenza forte e normalità asintotica, utilizzando la teoria delle U-statistiche e il metodo delta multivariato.
4. Studio di Simulazione: Uno studio Monte Carlo valuta le prestazioni dell'estimatore (Bias e RMSE) sotto diversi scenari, inclusi diversi campioni ($n$), valori di $m$ e parametri di forma. Lo studio confronta l'estimatore proposto con una versione corretta per il bias e un estimatore parametrico (basato sulla Massima Verosimiglianza). Fondamentalmente, la simulazione investiga anche il comportamento dell'estimatore quando l'assunzione del parametro di tasso comune viene violata (ovvero miscele con scale differenti).
5. Applicazione Empirica: La metodologia viene applicata a un dataset sul reddito della Banca d'Italia del 2008. Gli autori applicano miscele Gamma con 2 e 3 componenti (entrambe con scale uguali e differenti) per modellare la distribuzione del reddito e stimare l'indice di Gini $m$-esimo.

Risultati Chiave

• Espressioni Analitiche: L'articolo fornisce la prima espressione in forma chiusa per l'indice di Gini $m$-esimo sotto miscele Gamma e formule esplicite per l'aspettativa e il bias del suo estimatore U-statistica.
• Proprietà del Bias: I risultati teorici confermano che l'estimatore è asintoticamente imparziale. Si dimostra che il bias dipende dalla dimensione del campione e dai parametri della miscela, ma è indipendente dal parametro di tasso a causa dell'invarianza di scala.
• Risultati della Simulazione:
  • Il bias dell'estimatore non parametrico è generalmente piccolo e diminuisce all'aumentare di $n$.
  • Per dimensioni campionarie ridotte, l'estimatore corretto per il bias offre prestazioni migliori in termini di bias, mentre l'estimatore parametrico spesso produce il Root Mean Square Error (RMSE) più basso, nonostante un potenziale bias superiore.
  • L'estimatore dimostra robustezza anche quando i dati sottostanti seguono una miscela Gamma con diversi parametri di tasso, uno scenario non coperto dalle rigide assunzioni teoriche. In questi casi, l'estimatore mantiene un basso bias e RMSE, sebbene presenti un leggero bias negativo.
• Applicazione Empirica: L'analisi dei dati sul reddito italiano suggerisce che una miscela Gamma con tre componenti (che cattura i segmenti di reddito basso, medio-alto e top) fornisce un adattamento superiore rispetto ai modelli a singola Gamma o a due componenti, come evidenziato dai QQ-plot e dai criteri informativi (BIC). Gli indici di Gini $m$-esimo stimati variano leggermente a seconda della specifica del modello (numero di componenti e assunzioni di scala).

Significatività e Rivendicazioni
L'articolo sostiene di estendere la comprensione teorica della stima della disuguaglianza dalle singole popolazioni Gamma al contesto più complesso e realistico delle miscele Gamma. Il suo contributo principale risiede nel colmare il divario tra le proprietà teoriche dell'indice di Gini $m$-esimo e la sua applicazione pratica in popolazioni eterogenee.

Gli autori affermano con modestia che, sebbene i loro rigorosi risultati asintotici (imparzialità, consistenza, normalità) dipendano dall'assunzione di un parametro di tasso comune, lo studio Monte Carlo suggerisce che la metodologia proposta rimane efficace e utile anche quando tale assunzione viene meno. Il lavoro fornisce un quadro flessibile per misurare la disuguaglianza del reddito che tiene conto dell'eterogeneità della popolazione, offrendo uno strumento pratico per i ricercatori che operano con dati sul reddito asimmetrici. L'articolo conclude che la ricerca futura potrebbe estendere questi risultati a miscele con parametri di tasso distinti e ad altre famiglie di distribuzioni positive.