Mind the Income Gap: Bias Correction of Inequality Estimators in Small-Sized Samples

技術要約：所得格差に注意：小規模サンプルにおける不等価性推定量のバイアス補正

問題提起
小領域（特定の地域や社会人口統計学的グループなど）における所得不等価性の推定は、データの不足によって頻繁に困難に直面する。小領域推定（SAE）手法は、領域間で「強みを借りる」ことで信頼性を向上させるために採用されるが（フェイ・ヘリオット・モデルなど）、これらは入力となる調査推定値が不偏であることを前提としていることが多い。しかし、不等価性推定量（ジニ係数、一般化エントロピー、アトキンソン指数など）は、本質的に所得データの非線形関数である。小規模なサンプル、特に層化や多段抽出を含む複雑な調査デザインにおいては、これらの推定値は著しいバイアスを示すことがあり、通常、不等価性を過小評価する傾向がある。このバイアスを無視することは、モデルの誤設定と、サンプルサイズが異なる時間や場所間での誤った推論をもたらす。さらに、既存のバイアス補正に関する文献は、独立同一分布（iid）のサンプルやジニ係数のような特定の指標に限定されており、複雑な調査デザインやより広範な不等価性指標のクラスに対する空白を残している。

手法
著者らは、有限母集団における複雑な調査デザインを考慮した、従来のiidアプローチ（具体的には Breunig and Hutchinson, 2008）を一般化した、デザインに基づくバイアス補正フレームワークを提案している。本手法の中核は、所得データの母集団値の周りでの不等価性推定量の2次テイラー展開に基づいている。

主な手法構成要素は以下の通りである：

1. 一般的なバイアス定式化： 著者らは、$\hat{\theta} = f(\hat{\mu}, \hat{\gamma})$ という不等価性推定量の近似的なバイアスの一般式を導出した。ここで、$\hat{\mu}$ は標本平均であり、$\hat{\gamma}$ は変換された所得変数のホルトヴィッツ・トンプソン推定量である。バイアスは、これらの構成要素の設計分散および共分散（$V[\hat{\mu}]$, $V[\hat{\gamma}]$, $Cov[\hat{\mu}, \hat{\gamma}]$）の関数として表現される。
2. 指標の範囲： このフレームワークは、ジニ係数、一般化エントロピー（GE）ファミリー（平均対数偏差、セイル指数などをカバー）、およびアトキンソン指数の幅広いクラスに適用される。
3. 複雑な調査への適応： 複雑なデザインを扱うために、著者らは分散推定のために「最終クラスター（Ultimate Clusters）」技法を利用しており、自己代表（SR）および非自己代表（NSR）の両方の層に対応している。ジニ係数については、ランク推定量が非線形であるため、分散推定を容易にするために線形化アプローチ（Graf, 2011; Graf and Tillé, 2014）が採用されている。
4. ノンパラメトリックな性質： 本手法は、基礎となる所得分布に関するパラメトリックな仮定を必要とせず、その柔軟性を高めている。

主な貢献

• 複雑な調査におけるアトキンソンおよびGEへの初の適用： 著者らの知る限り、これは複雑な調査デザインの文脈において、アトキンソンおよび一般化エントロピー指数に対してバイアス補正を提案した初めての試みである。
• ジニ係数補正の拡張： 本論文は、1次の展開ではなく2次のテイラー展開を用いることで、より精緻な調整項を実現し、既存のジニ係数補正（例：Davidson, 2009; Fabrizi and Trivisano, 2016）を拡張している。
• デザインに基づくフレームワーク： 本手法は、層化、多段抽出、および事後調査処理（キャリブレーションや補完）によって導入される相関構造を明示的に考慮しており、iidの仮定を超えている。

結果
提案されたフレームワークの有効性は、2017年のイタリアEU-SILCデータを用いた21のNUTS-2地域によるデザインベースのシミュレーション研究を通じて評価された。シナリオは、生データを用いたものと、極端な値が処理されたもの（セミパラメトリックなパレート・テイル・モデリングを使用）の2つがテストされた。

• バイアスの減少： 補正戦略は、検討されたすべての指標において相対バイアス（RB）の顕著な減少を示した。抽出率1.5%の処理済み母集団シナリオでは、バイアス減少率は変動係数における約5%からジニ係数における14%の範囲であった。
• サンプルサイズ依存性： バイアスは小規模サンプルの現象であることが確認された。サンプルサイズが20人を超えると、バイアス補正後の推定値は近似的な不偏性に近づいた。
• 外れ値への頑健性： 極端な値に敏感な指標（例：$\alpha=2$ のGE、$\epsilon=2$ のアトキンソン）は、未処理のデータにおいて高いバイアスを示した。補正はバイアスを減少させたが、極端な値を持つ母集団に対しては、頑健な指標（ジニ、$\alpha=0$ のGE、$\epsilon=1$ のアトキンソン）に焦点を当てることが引き続き推奨されると著者らは述べている。
• 分散のトレードオフ： 補正により、ほとんどの指標で絶対相対誤差（ARE）のわずかな（一般に無視できる程度の）増加が誘発されたが、ジニ係数においては、不偏推定量の調整の特定の形式により、分散の膨張がより顕著であった。

小領域推定への応用
著者らは、バイアスを無視することの実際の影響を示すために、フェイ・ヘリオット・モデルを用いた例示的なSAE演習を行った。

• モデルの誤設定： 補正されていない（バイアスのある）調査推定値を入力として使用すると、モデルの誤設定を招いた。
• 過小評価： その結果得られるモデルベースの推定値（EBLUP）は、バイアス補正された入力から導出されたものと比較して、一貫して不等価性のレベルを過小評価していた。この過小評価は、ジニ係数において特に深刻であった。
• SAEに関する結論： この演習は、不適切な政策的推論を避けるために、不等価性データに小領域SAEモデルを適用する前に、予備的なバイアス補正を行うことが不可欠なステップであることを裏付けている。

意義および主張
本論文は、複雑な調査における不等価性推定量の小規模サンプル・バイアスを無視することは、体系的な不等価性の過小評価につながり、これは小領域や極端な値が存在する場合に悪化するということを主張している。提案されたフレームワークは、強い分布仮定を必要とせずにバイアスを大幅に減少させる、柔軟でノンパラメトリックな解決策を提供する。著者らは、本研究を、局所的な不等価性推定に依拠する研究者や政策立案者のための重要な洗練であると位置づけ、正確な測定には、小領域モデルを適用する前に ex-ante（事前）にバイアスに対処することが必要であると論じている。彼らは、シミュレーション結果は有望ではあるものの、これらは特定のデータ（イタリアEU-SILC）に基づいたものであり、普遍的な結論というよりは参照として捉えられるべきであると控えめに述べ、多変量SAEフレームワークや五分位ベースの指標への拡張といった将来の研究方向を示唆している。