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

Titel: Over de bias van de schatter van de Hoover-index: Resultaten voor de gamma-verdeling

Auteurs: Roberto Vila en Helton Saulo
Datum: 3 maart 2026

---

1. Probleemstelling

De Hoover-index (ook wel bekend als de Robin Hood-, Pietra- of Schutz-index) is een veelgebruikte maatstaf voor ongelijkheid in economie, statistiek en sociale wetenschappen. Hij wordt gedefinieerd als de helft van de relatieve gemiddelde absolute afwijking van het populatiegemiddelde en kan worden geïnterpreteerd als het deel van de totale middelen dat moet worden herverdeeld om perfecte gelijkheid te bereiken.

Hoewel de Gini-coëfficiënt uitgebreid is bestudeerd, met name wat betreft de eigenschappen van zijn schatter in steekproeven van eindige omvang (finite-sample properties), is er weinig bekend over de bias (systematische fout) van de empirische schatter van de Hoover-index. Bestaande literatuur beperkt zich voornamelijk tot asymptotische overwegingen of numerieke onderzoeken. Het doel van dit artikel is om deze kennislacune op te vullen door een exacte analyse van de bias van de Hoover-index schatter te ontwikkelen, specifiek voor populaties die volgen naar een gamma-verdeling.

2. Methodologie

De auteurs hanteren een geavanceerde wiskundige benadering die verder gaat dan standaard asymptotische theorie. De kern van de methodologie omvat:

• Laplace-transformaties en Exponentiële Tilt: De auteurs gebruiken Laplace-transformatietechnieken en het concept van exponentiële tilt (ook wel Esscher-transformatie genoemd) om een gesloten uitdrukking voor de verwachtingswaarde van de schatter af te leiden.
• Unificatie van Continu en Discreet: Het ontwikkelde raamwerk is flexibel genoeg om zowel continue als discrete verdelingen te behandelen.
• Afleiding van de Verwachtingswaarde:
  • De schatter $\hat{H}$ wordt gedefinieerd als:
    $$\hat{H} = \frac{1}{2} \left[ \frac{\sum_{i=1}^n |X_i - \bar{X}|}{\sum_{i=1}^n X_i} \right] \mathbb{1}_{\{\sum X_i > 0\}}$$
  • Door gebruik te maken van de identiteit $z \int_0^\infty e^{-zx} dx = 1$ (voor $z > 0$) en de onafhankelijkheid van i.i.d. observaties, wordt de verwachtingswaarde $E[\hat{H}]$ herschreven in termen van Laplace-transformaties van de onderliggende verdeling.
  • Lemma 3.1 en Proposition 3.2 leveren technische resultaten op voor de verwachtingswaarde van $|Y_1 - Y_2|$ onder exponentiële tilt.
• Specialisatie naar Gamma-verdeling: De algemene formule wordt toegepast op de gamma-verdeling ($X \sim \text{Gamma}(\alpha, \lambda)$). Hierbij worden de eigenschappen van de gamma-verdeling onder exponentiële tilt benut om een expliciete integraaluitdrukking voor de bias te verkrijgen.

3. Belangrijkste Bijdragen

De paper levert de volgende theoretische en praktische bijdragen:

1. Exacte Formule voor de Verwachtingswaarde: De auteurs leiden een algemene, gesloten vorm af voor $E[\hat{H}]$ voor niet-negatieve populaties, uitgedrukt in termen van Laplace-transformaties en de verdelingsfuncties van exponentieel getilde variabelen (Stelling 4.1).
2. Expliciete Bias voor Gamma-populaties: Voor de gamma-verdeling wordt een specifieke formule voor de bias afgeleid (Corollary 4.5). Deze formule toont aan dat de schatter in steekproeven van eindige omvang systematisch onder- of overschat (in dit geval blijkt de bias negatief te zijn).
   • De bias hangt af van de vormparameter $\alpha$ en de steekproefgrootte $n$, maar is schaal-invariant (afhankelijk niet van de rate-parameter $\lambda$).
3. Relatie met de Gini-coëfficiënt: Voor het specifieke geval $n=2$ wordt bewezen dat de verwachte waarde van de Hoover-schatter precies de helft is van de verwachte waarde van de Gini-schatter (zoals voorgesteld door Deltas, 2003).
4. Bias-correctie: Op basis van de afgeleide analytische biasformule wordt een "plug-in" correctiemethode voorgesteld. Hierbij wordt de ML-schatting van de vormparameter $\hat{\alpha}$ gebruikt om de bias te schatten en deze af te trekken van de oorspronkelijke schatter.

4. Resultaten

De resultaten worden onderbouwd door zowel theoretische afleidingen als een Monte Carlo-simulatiestudie:

• Theoretische Bevindingen:
  • De verwachtingswaarde van de schatter is strikt kleiner dan de ware waarde van de Hoover-index voor eindige $n$, wat betekent dat de schatter negatief bevooroordeeld is.
  • De bias neemt af naarmate de steekproefgrootte $n$ toeneemt, maar is significant voor kleine steekproeven.
  • Voor $n=2$ geldt de exacte relatie $E[\hat{H}] = \frac{1}{2} E[\hat{G}]$.
• Simulatiestudie:
  • Er zijn simulaties uitgevoerd voor gamma-verdelingen met verschillende vormparameters ($\alpha \in \{0.5, 1, 1.5, 2, 5\}$) en steekproefgroottes ($n \in \{25, 50, 75, 100\}$).
  • Relatieve Bias: De ongecorrigeerde schatter vertoont een duidelijke negatieve bias, vooral bij kleine steekproeven. De bias-correctie (via de analytische formule) elimineert deze bias effectief; de gecorrigeerde schatter fluctueert rond nul.
  • RMSE (Root Mean Squared Error): De gecorrigeerde schatter heeft een RMSE die bijna identiek is aan die van de ongecorrigeerde schatter. Dit betekent dat de vermindering van de bias niet ten koste gaat van een toename in variantie. De correctie verbetert de nauwkeurigheid zonder de efficiëntie te schaden.

5. Betekenis en Conclusie

De studie heeft belangrijke implicaties voor de toepassing van ongelijkheidsmaten:

• Empirisch Gebruik: Omdat de Hoover-index vaak wordt gebruikt in empirisch onderzoek (bijv. inkomensverdeling, regionale economie), is het cruciaal om rekening te houden met de finite-sample bias, vooral bij kleinere datasets. Het artikel biedt een theoretische basis voor het uitvoeren van bias-correctie.
• Methodologische Vooruitgang: De toepassing van exponentiële tilt en Laplace-transformaties biedt een krachtig nieuw instrument voor het analyseren van verdelingsmaten, dat verder gaat dan traditionele asymptotische benaderingen.
• Toekomstig Onderzoek: De auteurs suggereren dat de relatie tussen de Hoover-index en schuine verdelingen (zoals de skew-normal en skew-elliptische families) een veelbelovend onderzoeksgebied is. Net zoals bij de Gini-index, zou dit kunnen leiden tot nieuwe inzichten in de steekproefverdelingskarakteristieken van de Hoover-index.

Kortom, dit artikel levert het eerste exacte bewijs van de bias van de Hoover-index schatter voor gamma-populaties en biedt een praktische, efficiënte methode om deze bias te corrigeren, waardoor de betrouwbaarheid van ongelijkheidsmetingen in de praktijk wordt verhoogd.