Bias analysis of a linear order-statistic inequality index estimator: Unbiasedness under gamma populations

Technische Samenvatting: Bias-analyse van een schatter voor een lineaire orde-statistiek ongelijkheidsindex

Probleemstelling
Het kwantificeren van economische ongelijkheid op basis van steekproefdata is een centrale uitdaging in de toegepaste economie. Hoewel de klassieke Gini-coëfficiënt de meest gebruikte rang-gebaseerde maatstaf is, staat vast dat deze een niet-verwaarloosbare eindsteekproef-bias vertoont, vooral voor kleine tot gemiddelde steekproefomvang en sterk scheve populaties. Bestaande literatuur heeft diverse uitbreidingen ontwikkeld, zoals de $m$-de Gini-index, de uitgebreide $m$-de Gini-index en de $S$-Gini-index, die vaak worden geschat via constructies van het U-statistiek-type die rangcontrasten middelen over subsamples. De eindsteekproef-biasgedraging van deze schatters, met name wanneer genormaliseerd door het steekproefgemiddelde, is echter grotendeels onontgonnen gebleven buiten specifieke gevallen. Dit artikel adresseert de behoefte aan een geünificeerde bias-analyse van een brede familie van lineaire orde-statistiek ongelijkheidsindices en hun canonieke schatters.

Methodologie en Kader
De auteurs definiëren een algemene lineaire orde-statistiek ongelijkheidsindex, $I_m$, voor een niet-negatieve stochastische variabele $X$ met eindig gemiddelde $\mu$:
$$I_m = \frac{1}{m\mu} \sum_{k=1}^m a_k E[X_{k:m}],$$
waarbij $X_{k:m}$ orde-statistieken zijn uit een steekproef van grootte $m$, en coëfficiënten $a_k$ voldoen aan $\sum a_k = 0$ en $a_1 \leq \dots \leq a_m$. Dit kader verenigt de klassieke Gini-coëfficiënt ($m=2$), de $m$-de Gini-index, de uitgebreide $m$-de Gini-index en specifieke gevallen van de $S$-Gini-index. De index blijkt te behoren tot de klasse van spectrale (rang-afhankelijke) ongelijkheidsmaten, met een integraalvoorstelling die de quantiel-functie van $X$ omvat.

De studie richt zich op een natuurlijke schatter van het U-statistiek-type, $\hat{I}_m$, gedefinieerd door het middelen van gewogen orde-statistiek-contrasten over alle subsamples van grootte $m$ en normalisatie door het steekproefgemiddelde $\bar{X}$. De auteurs leiden een algemene eindsteekproef-bias-decompositie voor deze schatter af. De bias wordt uitgedrukt als een lineaire combinatie van factoren $\Delta_{n,r}$, die het effect van willekeurige normalisatie op elk rangniveau isoleren:
$$\Delta_{n,r} = E\left[\frac{X_{r:r}}{\bar{X}}\right] - \frac{E[X_{r:r}]}{\mu}.$$
Om deze factoren te karakteriseren onder algemene niet-negatieve verdelingen, maakt het artikel gebruik van Laplace-transformatiemethoden, waarbij een integraalvoorstelling voor $\Delta_{n,r}$ wordt geboden die analytische of numerieke evaluatie mogelijk maakt zonder subsampling.

Belangrijkste Bijdragen en Resultaten

1. Algemene Bias-decompositie: Het artikel leidt een gesloten-formule uitdrukking af voor de bias van $\hat{I}_m$ in termen van de $\Delta_{n,r}$-componenten (Corollarium 4.3). Deze decompositie scheidt de bijdragen van verschillende rangniveaus, wat zowel analytisch onderzoek als numerieke benadering via Laplace-transformaties faciliteert (Propositie 4.4).

2. Asymptotische Onbevooroordeeldheid: Onder milde momentvoorwaarden (bestaan van momenten van orde $p(1+\epsilon)$) en voorwaarde voor de onderstaart (begrensde waarschijnlijkheid nabij nul) bewijzen de auteurs dat de schatter asymptotisch onbevooroordeeld is naarmate de steekproefomvang $n \to \infty$ (Propositie 5.1).

3. Exacte Onbevooroordeeldheid onder Gamma-populaties: De primaire theoretische bijdrage is het bewijs dat $\hat{I}_m$ exact onbevooroordeeld is voor elke steekproefomvang $n \geq m$ als de onderliggende populatie een Gamma-verdeling volgt. Dit resultaat berust op de onafhankelijkheid tussen de vector van genormaliseerde Gamma-variabelen en hun totale som (Dirichlet-eigenschap), gecombineerd met de homogeniteit van de maximale functionaal. Specifiek geldt voor $X \sim \text{Gamma}(\alpha, \lambda)$ de identiteit $E[X_{r:r}] = \mu E[X_{r:r}/\bar{X}]$, wat impliceert dat $\Delta_{n,r} = 0$ en dus $\text{Bias}(\hat{I}_m, I_m) = 0$ (Stelling 6.1). Dit breidt eerdere onbevooroordeeldheidsresultaten die bekend waren voor de klassieke Gini-coëfficiënt uit naar de bredere klasse van lineaire orde-statistiek indices.

4. Monte Carlo-validatie: Een simulatiestudie vergelijkt de voorgestelde U-statistiek-schatter met een parametrische plug-in Maximum Likelihood Schatter (MLE) over Gamma-, Lognormaal-, Weibull- en Lomax-verdelingen.

   • Gamma-populaties: De U-statistiek-schatter vertoont een empirische bias die strak om nul fluctueert, wat de exacte onbevooroordeeldheid bevestigt. Daarentegen toont de MLE plug-in een systematische negatieve bias, hoewel deze een iets lagere Root Mean Squared Error (RMSE) bereikt door parametrische efficiëntie.
   • Niet-Gamma-populaties: De U-statistiek-schatter vertoont een toegenomen eindsteekproef-bias voor zwaarstaartverdelingen (Lognormaal, Lomax), die afneemt naarmate $n$ toeneemt. Hoewel de MLE plug-in efficiënter is (lagere RMSE) wanneer de parametrische familie correct is gespecificeerd, blijft de U-statistiek-schatter verdelingsvrij en robuust tegen misspecificatie.
   • Bias-decompositie: De studie valideert de theoretische bias-decompositie door numeriek de $\Delta_{n,r}$-componenten te schatten, wat bevestigt dat hogere orde-statistieken in zwaarstaartscenario's een significantere bijdrage leveren aan de negatieve bias.

5. Empirische Toepassing: De methodologie wordt toegepast op BBP per hoofd van de bevolking data van 34 landen in Amerika. De auteurs berekenen zowel de klassieke Gini-coëfficiënt als de 5e Gini-index met behulp van de voorgestelde schatter en bieden bootstrap-betrouwbaarheidsintervallen. De resultaten illustreren de praktische toepassing van de schatter bij het meten van inkomensdispersie.

Betekenis en Beweringen
Het artikel claimt een geünificeerd kader te bieden voor het analyseren van de bias van een brede familie van rang-gebaseerde ongelijkheidsindices. De meest significante bijdrage is het vaststellen dat de canonieke U-statistiek-schatter exact onbevooroordeeld is voor Gamma-populaties, een eigenschap die verder reikt dan de klassieke Gini-coëfficiënt tot de $m$-de, uitgebreide $m$-de en specifieke $S$-Gini-indices. De auteurs benadrukken dat deze exacte onbevooroordeeldheid specifiek is voor de Gamma-familie vanwege hun unieke onafhankelijkheidsstructuur met betrekking tot genormaliseerde steekproeven en totale sommen.

Het werk belicht een afweging tussen efficiëntie en robuustheid: terwijl parametrische MLE plug-ins lagere variantie kunnen bieden wanneer het model correct is gespecificeerd, kunnen ze zelfs in het Gamma-geval lijden onder systematische bias. Omgekeerd is de voorgestelde niet-parametrische schatter verdelingsvrij, robuust tegen misspecificatie en bezit het wenselijke kenmerk van exacte onbevooroordeeldheid onder Gamma-populaties, waardoor het een betrouwbare tool is voor ongelijkheidsmeting waar verdelingsaannames onzeker zijn of waar Gamma-achtig gedrag aannemelijk is. Het artikel concludeert met de opmerking dat uitbreidingen naar andere verdelingsfamilies en de ontwikkeling van bias-corrigerende schatters voor niet-Gamma-populaties onderwerpen zijn voor toekomstig onderzoek.