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

기술 요약: 소득 격차에 유의하라: 소규모 표본에서의 불평등 추정치 편향 수정

문제 제기
소규모 영역(예: 특정 지역 또는 사회 인구통계학적 집단)에서의 소득 불평등 추정은 데이터 부족으로 인해 빈번하게 어려움을 겪는다. 데이터의 신뢰성을 높이기 위해 영역 간의 "강점 공유(borrowing strength)"를 활용하는 소영역 추정(Small Area Estimation, SAE) 기법이 사용되지만, 이들은 종면히 입력된 조사 추정치가 편향되지 않았다는 가정을 전제로 하는 영역 수준 모델(예: Fay-Herriot 모델)에 의존한다. 그러나 불평등 추정치(예: 지니 계수, 일반 엔트로피, 앳킨슨 지수)는 본질적으로 소득 데이터의 비선형 함수이다. 특히 층화 및 다단계 추출을 포함하는 복잡한 조사 설계 하의 소규모 표본에서, 이러한 추정치들은 상당한 편향을 보이며, 일반적으로 불평등을 과소 추정하는 경향이 있다. 이러한 편향을 무시하는 것은 모델 오설정(misspecification)과 오해의 소지가 있는 추론을 초래하며, 특히 표본 크기가 서로 다른 시점이나 지역 간의 불평등을 비교할 때 그러하다. 더욱이, 기존의 편향 수정 문헌은 대부분 독립 동일 분포(iid) 표본이나 지니 계수와 같은 특정 척수에 국한되어 있어, 복잡한 조사 설계 및 더 넓은 범위의 불평등 척수를 다루는 데 한계가 있다.

방법론 유효한 설계를 위해 저자들은 이전의 iid 접근 방식(특히 Breunig과 Hutchinson, 2008)을 유한 모집단 및 복잡한 표본 설계로 일반화한 설계 기반 편향 수정 프레임워크를 제안한다. 이 방법론의 핵심은 모집단 값 주변에서 불평등 추정치에 대한 2차 테일러 급수 전개를 사용하는 것이다.

주요 방법론적 구성 요소는 다음과 같다:

1. 일반 편향 공식화: 저자들은 불평등 추정치 $\hat{\theta} = f(\hat{\mu}, \hat{\gamma})$에 대한 근사적 편향의 일반 식을 도출한다. 여기서 $\hat{\mu}$는 표본 평균이고, $\hat{\gamma}$는 변환된 소득 변수의 Horvitz-Thompson 추정치이다. 편향은 이 구성 요소들의 설계 분산 및 공분산($V[\hat{\mu}]$, $V[\hat{\gamma}]$, $Cov[\hat{\mu}, \hat{\gamma}]$)의 함수로 표현된다.
2. 측정 범위: 이 프레임워크는 지니 계수, 일반 엔트로피(GE) 계열(평균 로그 편차, 테일 지수 등을 포함), 그리고 앳킨슨 계열을 포함한 광범위한 척도에 적용된다.
3. 복잡한 조사 적응: 복잡한 설계를 처리하기 위해 저자들은 자기 대표(Self-Representing, SR) 및 비자기 대표(Non-Self-Representing, NSR) 층을 모두 수용하는 분산 추정을 위한 "최종 클러스터(Ultimate Clusters)" 기법을 활용한다. 지니 계수의 경우, 순위 추정치가 비선형이므로 선형화 접근 방식(Graf, 2011; Graf 및 Tillé, 2014)을 사용하여 분산 추정을 용이하게 한다.
4. 비모수적 성격: 이 접근 방식은 기초 소득 분포에 대한 모수적 가정을 요구하지 않으므로 유연성이 높다.

주요 기여

• 복잡한 조사 내 앳킨슨 및 GE 적용 최초 사례: 저자들의 지식에 따르면, 이는 복잡한 조사 설계의 맥락에서 앳킨슨 및 일반 엔트로피 지수에 대한 편향 수정을 제안한 첫 번째 사례이다.
• 지니 수정의 확장: 이 논문은 1차 전개가 아닌 2차 테일러 전개를 활용하여 더 정교한 조정 항을 제공함으로써 기존의 지니 편향 수정(예: Davidson, 2009; Fabrizi 및 Trivisano, 2016)을 확장한다.
• 설계 기반 프레임워크: 이 방법론은 층화, 다단계 추출, 그리고 사후 조사 처리(보정/대체)에 의해 도입된 상관 구조를 명시적으로 고려하여, iid 가정의 한계를 넘어선다.

결과
제안된 프레임워크의 효능은 21개 NUTS-2 지역의 2017년 이탈리아 EU-SILC 데이터를 사용한 설계 기반 시뮬레이션 연구를 통해 평가되었다. 두 가지 시나리오가 테스트되었다: 원 데이터(raw data)를 사용한 경우와 극단값을 처리한 경우(준모수적 파레토 꼬리 모델링 사용).

• 편향 감소: 수정 전략은 고려된 모든 척도에 대해 상대적 편향(Relative Bias, RB)의 눈에 띄는 감소를 보여주었다. 추출률 1.5%인 처리된 모집단 시나리오에서, 편향 감소 폭은 변동 계수(약 5%)에서 지니 계수(약 14%)까지 나타났다.
• 표본 크기 의존성: 편향은 소규모 표본 현상임이 확인되었다. 표본 크기가 20명을 초과하는 경우, 편향 수정된 추정치는 근사적 무편향 상태에 도달했다.
• 이상치에 대한 강건성: 극단값에 민-감한 척도(예: $\alpha=2$인 GE, $\epsilon=2$인 앳킨슨)는 처리되지 않은 데이터에서 더 높은 편향을 보였다. 수정 작업이 편향을 줄였으나, 저자들은 극단값이 존재하는 모집단의 경우 강건한 척도(지니, $\alpha=0$인 GE, $\epsilon=1$인 앳킨슨)에 집중하는 것이 여전히 권장된다고 언급했다.
• 분산 트레이드오프: 수정은 대부분의 척도에서 절대 상대 오차(Absolute Relative Error, ARE)의 미미하고 일반적인 증가를 유발했으나, 지니 계수의 경우 무편향 추정치 조정의 특정한 형태 때문에 분산 팽창이 더 뚜렷하게 나타났다.

소영역 추정 적용
저자들은 편향을 무시할 때 발생하는 실질적인 결과를 보여주기 위해 Fay-Herriot 모델을 사용한 예시적 SAE 연습을 수행했다.

• 모델 오설정: 수정되지 않은(편향된) 조사 추정치를 입력값으로 사용할 경우 모델 오설정이 발생했다.
• 과소 추정: 그 결과 도출된 모델 기반 추정치(EBLUP)는 편향이 수정된 입력값으로부터 도출된 불평등 수준보다 일관되게 낮게 나타났다. 이러한 과소 추정은 지니 계수에서 특히 심각했다.
• SAE에 대한 결론: 이 연습은 불평등 데이터에 영역 수준 SAE 모델을 적용하기 전에 사전 편향 수정이 필수적인 단계임을 확인시켜 준다.

의의 및 주장
본 논문은 복잡한 조사에서 불평등 추정치의 소규모 표본 편향을 무시하는 것이 체계적인 불평등 과소 추정으로 이어지며, 이는 소규모 영역 및 극단값이 존재할 때 더욱 악화된다고 주장한다. 제안된 프레임워크는 강력한 분포 가정을 요구하지 않으면서도 이 편향을 유의미하게 줄여주는 유연한 비모수적 솔루션을 제공한다. 저자들은 지역 불평등 추치에 의존하는 연구자와 정책 입안자들에게 이 연구가 중요한 정밀화 작업이라고 위치시키며, 정확한 측정을 위해서는 소영역 모델을 적용하기 전 ex-ante(사전)에 편향을 해결하는 것이 필요하다고 주장한다. 저자들은 시뮬레이션 결과가 유망하지만, 이는 특정 데이터(이탈리아 EU-SILC)에 기반한 것이므로 보편적인 결론이라기보다는 참조용으로 간주되어야 한다고 겸허히 밝히며, 다변량 SAE 프레임워크 및 분위수 기반 척도로의 확장과 같은 향후 연구 방향을 제시한다.