On the bias of the Hoover index estimator: Results for the gamma distribution

1. 연구 배경 및 문제 제기 (Problem)

• 호버 지수 (Hoover Index) 의 중요성: 호버 지수 (로빈 후드 지수, 피에트라 지수, 슈츠 지수라고도 함) 는 소득, 부, 자원 등의 불평등을 측정하는 데 널리 사용되는 지표입니다. 이는 완전한 평등을 달성하기 위해 총 자원의 얼마를 재분배해야 하는지를 직관적으로 나타내며, 로렌츠 곡선과 완전 평등선 사이의 최대 수직 거리로 기하학적으로 해석됩니다.
• 연구의 공백: 불평등 지표 중 기니 계수 (Gini coefficient) 에 대해서는 유한 표본에서의 편향 (bias) 특성과 보정 방법에 대한 방대한 문헌이 존재합니다. 그러나 호버 지수의 경험적 추정량 (empirical estimator) 에 대한 유한 표본 특성, 특히 특정 분포 가정 하에서의 편향에 대해서는 거의 연구되지 않았습니다.
• 주요 문제: 호버 지수 추정량은 일반적으로 유한 표본에서 편향되어 있으며, 이 편향의 크기와 방향이 분포와 표본 크기에 어떻게 의존하는지에 대한 정확한 이론적 분석이 부재했습니다.

2. 방법론 (Methodology)

이 논문은 호버 지수 추정량의 기대값을 유도하기 위해 다음과 같은 수학적 도구를 활용했습니다.

• 라플라스 변환 (Laplace Transform) 및 지수 기울기 (Exponential Tilting):
  • 일반적인 비음수 (non-negative) 모집단에 대해 호버 지수 추정량의 기대값을 구하기 위해 라플라스 변환 기법과 지수 기울기 (Esscher transform) 를 적용했습니다.
  • 이를 통해 연속형 및 이산형 분포 모두에 적용 가능한 통합된 프레임워크를 구축했습니다.
• 추정량의 정의:
  • 표본 $X_1, \dots, X_n$에 대한 호버 지수 추정량 $\hat{H}$는 다음과 같이 정의됩니다.
    $$\hat{H} = \frac{1}{2} \left[ \frac{\sum_{i=1}^n |X_i - \bar{X}|}{\sum_{i=1}^n X_i} \right] \mathbb{1}\{\sum X_i > 0\}$$
• 감마 분포 (Gamma Distribution) 에 대한 구체화:
  • 소득 및 수명 데이터 모델링에 널리 사용되는 감마 분포 ($X \sim \text{Gamma}(\alpha, \lambda)$) 를 가정했습니다.
  • 감마 분포의 특성 (라플라스 변환, 지수 기울기를 받은 확률변수의 분포 등) 을 활용하여 추정량의 기대값에 대한 명시적 (explicit) 인 적분 표현식을 유도했습니다.
• 편향 (Bias) 공식 유도:
  • 유도된 기대값 식과 실제 호버 지수 ($H$) 의 이론적 값 (Proposition 2.4) 을 비교하여 편향량 $\text{Bias}(\hat{H}, H)$에 대한 폐쇄형 (closed-form) 공식을 도출했습니다.

3. 주요 기여 (Key Contributions)

1. 일반적인 기대값 표현식 도출: 비음수 모집단에 대한 호버 지수 추정량의 기대값을 라플라스 변환과 지수 기울기를 통해 표현한 일반적인 정리 (Theorem 4.1) 를 제시했습니다. 이는 연속형과 이산형 분포 모두에 적용 가능합니다.
2. 감마 분포에 대한 명시적 편향 공식: 감마 분포를 따르는 모집단에 대해 편향을 계산할 수 있는 구체적인 적분 공식을 제공했습니다. 이 공식은 표본 크기 ($n$) 와 모양 모수 ($\alpha$) 에 의존함을 보여줍니다.
3. 편향 보정 추정량 제안: 유도된 편향 공식을 기반으로, 최대우도추정량 (MLE) 을 사용하여 편향을 보정한 새로운 추정량 ($\hat{H}_c$) 을 제안했습니다.
4. 이산 분포에 대한 확장: 부록에서 포아송 (Poisson) 및 기하 (Geometric) 분포와 같은 이산 분포에 대한 호버 지수 편향에 대한 간단한 표현식을 추가로 유도했습니다.

4. 연구 결과 (Results)

• 편향의 존재 및 방향:
  • 감마 분포 하에서 호버 지수 추정량 $\hat{H}$는 유한 표본에서 일반적으로 **음의 편향 (negative bias)**을 가집니다. 즉, 실제 불평도보다 과소평가되는 경향이 있습니다.
  • 편향의 크기는 표본 크기 ($n$) 가 작을수록, 그리고 모양 모수 ($\alpha$) 에 따라 달라집니다.
  • $n=2$인 경우, 호버 지수 추정량은 기니 계수 추정량의 절반과 동일하며, 이 경우에도 편향이 존재함이 확인되었습니다.
• 시뮬레이션 연구 (Monte Carlo Study):
  • 다양한 $\alpha$ 값 (0.5, 1, 1.5, 2, 5) 과 표본 크기 ($n=25, 50, 75, 100$) 에 대해 모의 실험을 수행했습니다.
  • 상대 편향 (Relative Bias): 보정되지 않은 추정량은 작은 표본에서 뚜렷한 음의 편향을 보였으나, 제안된 편향 보정 추정량 ($\hat{H}_c$) 은 이 편향을 효과적으로 제거하여 0 주변에서 변동하도록 만들었습니다.
  • 평균 제곱근 오차 (RMSE): 편향을 보정함으로써 추정량의 분산이 크게 증가하지 않았습니다. 보정된 추정량과 원본 추정량의 RMSE 는 거의 유사하여, 편향 감소가 효율성 (efficiency) 을 희생하지 않음을 보여주었습니다.

5. 의의 및 결론 (Significance)

• 이론적 기여: 호버 지수 추정량의 유한 표본 성질에 대한 최초의 체계적인 분석을 제공하여, 불평등 측정 지표에 대한 이론적 이해를 심화시켰습니다.
• 실용적 함의: 실증 연구 (경제학, 사회과학, 환경학 등) 에서 호버 지수를 사용할 때, 특히 표본 크기가 작을 경우 편향을 보정하지 않으면 불평등 수준을 과소평가할 수 있음을 경고합니다. 제안된 편향 보정 방법은 이러한 오차를 줄이는 데 효과적입니다.
• 향후 연구 방향:
  • 호버 지수와 왜도 정규 분포 (skew-normal) 및 왜도 타원형 분포 (skew-elliptical) 계열 간의 관계를 규명할 것을 제안했습니다.
  • 기니 계수 연구에서와 마찬가지로, 호버 지수의 분포적 특성을 이러한 확률 분포를 통해 이해하면 표본 분포 및 추론적 성질에 대한 새로운 통찰을 얻을 수 있을 것으로 기대됩니다.

요약하자면, 이 논문은 호버 지수 추정량이 유한 표본에서 편향되어 있음을 수학적으로 증명하고, 감마 분포를 가정하여 이를 보정하는 구체적인 방법을 제시함으로써 불평등 측정의 정확성을 높이는 데 기여했습니다.