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

Technische Samenvatting: Let op de inkomenskloof: Bias-correctie van ongelijkheidsschatters in kleine steekproeven

Probleemstelling
De schatting van inkomensongelijkheid in kleine domeinen (bijv. specifieke regio's of sociaal-demografische groepen) wordt frequent gehinderd door datascarciteit. Hoewel technieken voor Small Area Estimation (SAE) worden toegepast om de betrouwbaarheid te verbeteren door "kracht te lenen" uit andere gebieden, vertrouwen deze vaak op gebiedsgebonden modellen (zoals het Fay-Herriot model) die ervan uitgaan dat de input-enquête-schatters onbevooroordeeld zijn. Echter, ongelijkheidsschatters (bijv. Gini, Generalized Entropy, Atkinson) zijn inherent niet-lineaire functies van inkomensgegevens. In kleine steekproeven, met name onder complexe survey-ontwerpen die omvatten stratificatie en meerfasige steekproefneming, vertonen deze schatters een significante bias (bevooroordeling), wat doorgaans leidt tot een onderschatting van ongelijkheid. Het negeren van deze bias resulteert in modelmisspecificatie en misleidende conclusies, vooral bij het vergelijken van ongelijkheid over tijd en locaties met uiteenlopende steekproefgroottes. Bovendien is de bestaande literatuur over bias-correctie grotendeels beperkt tot onafhankelijke en identiek verdeelde (iid) steekproeven of specifieke maten zoals de Gini-index, wat een gat laat voor complexe survey-ontwerpen en bredere klassen van ongelijkheidsmaten.

Methodologie
De auteurs stellen een design-gebaseerd framework voor bias-correctie voor die de eerdere iid-benaderingen (specifiek Breunig en Hutchinson, 2008) generaliseert naar eindige populaties met complexe survey-ontwerpen. De kern van de methodologie berust op tweede-orde Taylor-reeksontwikkelingen van ongelijkheidsschatters rond hun populatiewaarden.

Belangrijke methodologische componenten zijn:

1. Algemene Bias-formulering: De auteurs leiden een algemene expressie af voor de benaderde bias van een ongelijkheidsschatter $\hat{\theta} = f(\hat{\mu}, \hat{\gamma})$, waarbij $\hat{\mu}$ het steekproefgemiddelde is en $\hat{\gamma}$ een Horvitz-Thompson-schatter van een getransformeerde inkomensvariabele. De bias wordt uitgedrukt als een functie van de design-varianties en covarianties van deze componenten ($V[\hat{\mu}]$, $V[\hat{\gamma}]$, $Cov[\hat{\mu}, \hat{\gamma}]$).
2. Reikwijdte van Maten: Het framework wordt toegepast op een brede klasse van maten, waaronder de Gini-index, de Generalized Entropy (GE) familie (die de Mean Log Deviation, de Theil-index en anderen omvat) en de Atkinson-familie.
3. Aanpassing aan Complexe Surveys: Om complexe ontwerpen te verwerken, maken de auteurs gebruik van de "Ultimate Clusters"-techniek voor variantieschatting, waarbij zowel Self-Representing (SR) als Non-Self-Representing (NSR) strata worden geaccommodeerd. Voor de Gini-index, waar de rangschatter niet-lineair is, wordt een linearisatie-benadering (Graf, 2011; Graf en Tillé, 2014) toegepast om variantieschatting te faciliteren.
4. Niet-parametrisch Karakter: De benadering vereist geen parametrische aannames over de onderliggende inkomensverdeling, wat de flexibiliteit vergroot.

Belangrijkste Bijdragen

• Eerste Toepassing op Atkinson en GE in Complexe Surveys: Naar weten van de auteurs is dit het eerste voorstel voor de bias-correctie van Atkinson- en Generalized Entropy-indices specifiek binnen de context van complexe survey-ontwerpen.
• Extensie van Gini-correctie: Het artikel breidt bestaande Gini-bias-correcties uit (bijv. Davidson, 2009; Fabrizi en Trivisano, 2016) door gebruik te maken van een tweede-orde Taylor-expansie in plaats van een eerste-orde, wat resulteert in een verfijndere correctieterm.
• Design-gebaseerd Framework: De methodologie houdt expliciet rekening met de correlatiestructuren geïntroduceerd door stratificatie, meerfasige steekproefneming en post-survey behandelingen (kalibratie/imputatie), waardoor de beperkingen van iid-aannames worden overstegen.

Resultaten
De effectiviteit van het voorgestelde framework werd geëvalueerd via een design-gebaseerde simulatiestudie met 2017 Italiaanse EU-SILC data over 21 NUTS-2 regio's. Twee scenario's werden getest: één met ruwe data en één waarbij extreme waarden werden behandeld (met behulp van semi-parametrische Pareto-tail modellering).

• Reductie van Bias: De correctiestrategie vertoonde een merkbare reductie in de Relatieve Bias (RB) voor alle overwogen maten. In het scenario met de behandelde populatie en een steekproefpercentage van 1,5%, varieerden de reducties in bias tussen ongeveer 5% (voor de Coëfficiënt van Variatie) en 14% (voor de Gini-index).
• Afhankelijkheid van Steekproefgrootte: De bias werd bevestigd als een fenomeen dat optreedt bij kleine steekproeven. Voor steekproeven groter dan 20 individuen benaderden de bias-gecorrigeerde schatters een nagenoeg onbevooroordeeldheid.
• Robuustheid tegen Outliers: Maten die gevoelig zijn voor extreme waarden (bijv. GE met $\alpha=2$, Atkinson met $\epsilon=2$) vertoonden hogere bias in onbehandelde data. Hoewel de correctie de bias verminderde, merken de auteurs op dat voor populaties met extreme waarden het raadzaam blijft om te focussen op robuuste maten (Gini, GE met $\alpha=0$, Atkinson met $\epsilon=1$).
• Variantie-trade-off: De correctie veroorzaakte een lichte, over het algemeen verwaarloosbare toename in de Absolute Relatieve Fout (ARE) voor de meeste maten, behalve voor de Gini-index, waar de variantie-inflatie prominenter was vanwege de specifieke vorm van de onbevooroordeelde estimator-aanpassing.

Toepassing in Small Area Estimation
De auteurs voerden een illustratieve SAE-oefening uit met behulp van het Fay-Herriot model om de praktische gevolgen van het negeren van bias te demonstreren.

• Modelmisspecificatie: Het gebruik van ongecorrigeerde (bevooroordeelde) survey-schatters als input leidde tot modelmisspecificatie.
• Onderschatting: De resulterende model-gebaseerde schattingen (EBLUP) onderschatten consequent de ongelijkheidsniveaus vergeleken met die afgeleid van bias-gecorrigeerde inputs. Deze onderschatting was bijzonder ernstig voor de Gini-index.
• Conclusie over SAE: De oefening bevestigt dat een voorbereidende bias-correctie een noodzakelijke stap is voordat area-level SAE-modellen op ongelijkheidsdata worden toegepast om misleidende beleidsconclusies te voorkomen.

Betekenis en Claims
Het artikel claimt dat het negeren van de kleine-steekproef-bias van ongelijkheidsschatters in complexe surveys leidt tot een systematische onderschatting van ongelijkheid, een probleem dat wordt verergerd in kleine domeinen en wanneer extreme waarden aanwezig zijn. Het voorgestelde framework biedt een flexibele, niet-parametrische oplossing die deze bias aanzienlijk vermindert zonder sterke distributionele aannames te vereisen. De auteurs positioneren dit werk als een cruciale verfijning voor onderzoekers en beleidsmakers die vertrouwen op lokale ongelijkheidsschattingen, waarbij zij argumenteren dat nauwkeurige meting vereist dat de bias ex-ante wordt aangepakt voordat area-level modellen worden toegepast. Zij merken bescheiden op dat hoewel de simulatieresultaten veelbelovend zijn, deze gebaseerd zijn op specifieke data (Italiaanse EU-SILC) en als referentie moeten worden beschouwd in plaats van als een universele conclusie, wat suggereert dat toekomstig onderzoek zich kan richten op multivariate SAE-frameworks en uitbreidingen naar kwintiel-gebaseerde maten.