Two Tunable Gini-Type Measures with U-Statistic Estimation: Theory, Simulation, and an Empirical Application to GDP per Capita in the Americas

Technische Samenvatting: Twee Instelbare Gini-achtige Maatstaven met U-statistische Schatting

Probleemstelling
De klassieke Gini-coëfficiënt, hoewel een standaardreferentiepunt voor het meten van inkomens- en vermogensongelijkheid vanwege zijn interpreteerbaarheid en schattingsgemak, behandelt alle paarsgewijze verschillen tussen observaties gelijk. Deze uniforme weging kan verfijnde patronen van spreiding verdoezelen, met name wat betreft hoe extreme discrepanties versus gematigde kloven bijdragen aan de totale ongelijkheid. De auteurs adresseren de behoefte aan ongelijkheidsmaatstaven die analisten in staat stellen de gevoeligheid voor staartongelijkheid af te stemmen zonder het theoretische kader van de Gini-coëfficiënt te verlaten.

Methodologie
Het artikel introduceert twee nieuwe families van ongelijkheidsmaatstaven, aangeduid als $G_p$ en $H_q$, die de klassieke Gini-coëfficiënt ($G$) generaliseren via instelbare parameters $p > 1$ en $q > 0$, respectievelijk.

1. Definities:

   • $G_p$: Gedefinieerd via een logaritmische kern. Het vervangt het ruwe absolute verschil $|X_1 - X_2|$ door een geschaalde kern $T(p)$ die logaritmische termen bevat. Naarmate $p \to \infty$, convergeert $G_p$ naar de klassieke Gini.
   • $H_q$: Gedefinieerd via een macht-gemiddelde verschil-kern $K(q)$, waarbij gebruik wordt gemaakt van het verschil tussen het $q$-de machtsgemiddelde en het $-q$-de machtsgemiddelde van twee observaties. Naarmate $q \to \infty$, convergeert $H_q$ eveneens naar de klassieke Gini.

2. Theoretische Eigenschappen:

   • Beide maatstaven blijken stijgende functies te zijn van hun respectievelijke parameters ($p$ en $q$), wat impliceert dat hogere waarden de gevoeligheid van de maatstaf voor extreme discrepanties vergroten (ongelijkheid-aversie).
   • Beide maatstaven convergeren naar 0 naarmate de parameters hun ondergrenzen benaderen ($p \to 1^+$ en $q \to 0^+$) en naar de klassieke Gini naarmate de parameters naar oneindig gaan.
   • Schaalinvariantie: Een belangrijk onderscheid wordt opgemerkt: $H_q$ is schaal-invariant voor verhoudingen (invariant onder positieve scalair vermenigvuldiging van inkomen), vergelijkbaar met de klassieke Gini. Daarentegen is $G_p$ niet schaal-invariant voor verhoudingen; het schalen van de inkomensvariabele is wiskundig equivalent aan het veranderen van de instelparameter $p$.
   • Beide maatstaven zijn begrensd tussen 0 en 1.

3. Schatting en Asymptotiek:

   • De auteurs leiden gesloten vormen van U-statistische plug-in schatters af ($\hat{G}_p$ en $\hat{H}_q$) gebaseerd op steekproefdata.
   • Met behulp van standaardresultaten voor U-statistieken (Hoeffding, 1948) stellen zij sterke consistentie en asymptotische normaliteit vast voor beide schatters onder milde momentvoorwaarden (specifiek, eindige eerste en tweede momenten van de onderliggende verdeling).
   • De asymptotische variantie wordt afgeleid met behulp van de multivariate delta-methode, wat een basis biedt voor het construeren van betrouwbaarheidsintervallen en hypothesetoetsen.

Empirische en Simulatie-resultaten

• Monte Carlo-simulatie: Een simulatiestudie werd uitgevoerd met data gegenereerd uit Gamma-verdelingen met variërende steekproefgroottes ($n \in \{30, 50, 100, 200, 500\}$) en parameterwaarden ($p, q \in \{1.1, 2, 5, 10, 50\}$).
  • Resultaten geven aan dat de Gemiddelde Absolute Relatieve Fout (MARE) en de Wortel van het Gemiddelde Kwartier van de Fout (RMSE) afnemen naarmate de steekproefgrootte toeneemt.
  • De asymptotische normale benadering wordt adequaat bevonden voor steekproefgroottes $n \geq 100$.
  • De studie bevestigt dat grotere parameterwaarden schattingen opleveren die dichter bij de klassieke Gini liggen, waardoor zij in die specifieke configuraties de gunstige schattingskwaliteiten ervan erven.
• Empirische Toepassing: De maatstaven werden toegepast op BBP per hoofd van de bevolking data voor 34 landen in Amerika (2023).
  • De data werden gevalideerd tegen een Gamma-verdeling met behulp van Kolmogorov–Smirnov- en Cramér–von Mises-toetsen.
  • De analyse van de gevoeligheidsprofielen (het uitzetten van schattingen tegen $p$ en $q$) onthulde dat $G_p$ sterk stijgt bij lage $p$-waarden voordat het afvlakt, terwijl $H_q$ geleidelijker stijgt. Dit suggereert dat extreme paarsgewijze discrepanties een significante drijvende kracht zijn van ongelijkheid in de dataset, en dat gematigde waarden van $p$ het grootste deel van dit effect vangen.

Belangrijkste Bijdragen

1. Nieuwe Maatstaven: De introductie van twee instelbare ongelijkheidsindices ($G_p$ en $H_q$) die de kloof overbruggen tussen standaard spreidingsmaatstaven en de klassieke Gini-coëfficiënt.
2. Statistische Theorie: De afleiding van gesloten vormen van U-statistische schatters en het rigoureuze bewijs van hun sterke consistentie en asymptotische normaliteit.
3. Praktische Nut: Het bieden van een kader voor gevoeligheidsanalyse. Door het profiel van schattingen over een reeks parameters te onderzoeken, kunnen analisten bepalen of ongelijkheid uniform verdeeld is of gedreven door extreme uitschieters, waardoor de keuze voor een passende samenvattingsmaatstaf wordt onderbouwd.

Betekenis
Het artikel stelt dat deze maatstaven niet zijn ontworpen om de Gini-coëfficiënt te vervangen, maar om deze aan te vullen. Door het mogelijk te maken de gevoeligheid voor staartongelijkheid af te stemmen, bieden deze indices een gedetailleerder beeld van distributiestructuren. De auteurs benadrukken dat de keuze van de parameter ($p$ of $q$) moet worden geleid door het specifieke normatieve kader of de aard van de data (bijvoorbeeld of de meeteenheid de beoordeling moet beïnvloeden). Het vermogen om betrouwbaarheidsintervallen te construeren via de afgeleide asymptotische verdelingen versterkt hun toepasbaarheid verder in beleidsanalyse en empirisch onderzoek.