Unbiased estimation in new Gini index extensions under gamma distributions, with application to real income data

Resumo Técnico: Estimativa Não Viesada em Novas Extensões do Índice de Gini sob Distribuições Gamma

Problema
O índice de Gini clássico, embora amplamente utilizado para medir a desigualdade de renda, condensa toda a distribuição em um único valor escalar. Essa agregação pode ocultar características distributivas críticas, como se a desigualdade está concentrada nas caudas inferior, média ou superior. Extensões recentes, como o índice de Gini de ordem $m$ (Gavilan-Ruiz et al., 2024), generalizam a medida clássica ao considerar o intervalo esperado de amostras de tamanho $m$. No entanto, essas medidas permanecem indicadores agregados e não fornecem informações sobre como a desigualdade é distribuída em relação a posições específicas dentro da amostra, particularmente no que diz respeito aos extremos inferior e superior. Há uma necessidade de medidas que ofereçam uma avaliação "orientada à posição" da desigualdade, mantendo propriedades estatísticas desejáveis, como a ausência de viés sob suposições distributivas comuns na modelagem econômica.

Metodologia
Os autores introduzem duas novas medidas: o índice de Gini inferior estendido ($IG_{m;\min}$) e o índice de Gini superior estendido ($IG_{m;\max}$). Estas são definidas para uma variável aleatória não negativa $X$ com média $\mu$ e um tamanho de amostra $m \geq 2$:

• $IG_{m;\min} = \frac{E[X_1 - \min\{X_1, \dots, X_m\}]}{m\mu}$
• $IG_{m;\max} = \frac{E[\max\{X_1, \dots, X_m\} - X_1]}{m\mu}$

Estes índices quantificam a desigualdade em relação às caudas inferior e superior, respectivamente. Notavelmente, eles somam o índice de Gini de ordem $m$ ($IG_m$). Os coeficientes populacionais são invariantes à observação específica escolhida devido à permutabilidade, embora os estimadores amostrais dependam da posição $i$ selecionada.

O artigo foca em populações com distribuição Gamma ($X \sim \text{Gamma}(\alpha, \lambda)$), uma escolha motivada pela prevalência dessa distribuição na modelagem de renda e sua tratabilidade analítica em relação às estatísticas de ordem. Os autores:

1. Derivam Estimadores: Constroem estimadores baseados em amostras ($\widehat{d}_i IG_{m;\min}$ e $\widehat{d}_i IG_{m;\max}$) utilizando U-estatísticas sobre todas as subamostras possíveis de tamanho $m$ de uma amostra de tamanho $n$.
2. Estabelecem Propriedades Assintóticas: Provam consistência e normalidade assintótica sob condições de regularidade brandas usando a lei forte dos grandes números para U-estatísticas e a decomposição de Hoeffding.
3. Provam a Ausência de Viés: Utilizam técnicas de transformada de Laplace e propriedades específicas da distribuição Gamma para derivar expressões exatas para as expectativas dos estimadores. Os autores demonstram que, para populações Gamma, os estimadores são não viesados, ou seja, $E[\widehat{d}_i IG_{m;\min}] = IG_{m;\min}$ e $E[\widehat{d}_i IG_{m;\max}] = IG_{m;\max}$.
4. Caracterizam Propriedades: Estabelecem invariância de escala, falta de invariância de translação e representações de covariância envolvendo a função de distribuição $F$.

Principais Resultados

• Ausência de Viés Teórica: O artigo fornece expressões exatas de amostra finita para as expectativas dos estimadores propostos sob o modelo Gamma, provando que eles são não viesados. Isso estende resultados anteriores de Deltas (2003) e Baydil et al. (2025) relativos ao índice de Gini de ordem $m$.
• Decomposição: A soma dos índices inferior e superior estendidos recupera o índice de Gini de ordem $m$, permitindo uma decomposição da desigualdade total em componentes de cauda inferior e de cauda superior.
• Desempenho de Simulação: Simulações de Monte Carlo (500 replicações) para dados Gamma(2, 1) com tamanhos de amostra $n \in \{10, 30, 50, 100, 200\}$ e $m=3$ confirmam os achados teóricos. Os estimadores exibem um pequeno viés empírico que diminui com o tamanho da amostra e um Erro Quadrático Médio (MSE) que converge conforme o esperado, apoiando as afirmações de consistência e ausência de viés.
• Aplicação Empírica: A metodologia foi aplicada aos dados de PIB per capita de 2023 de 11 países sul-americanos. Os dados foram ajustados a uma distribuição Gamma (validada via testes KS e Cramér-von Mises). Mapas de calor dos índices estimados através de diferentes valores de $m$ e $i$ revelaram padrões sistemáticos:
  • O índice inferior estendido aumentou com $i$ e $m$, refletindo a sensibilidade à dispersão na cauda inferior.
  • O índice superior estendido apresentou valores mais altos que o índice inferior para os mesmos parâmetros, refletindo o maior impacto da estatística de ordem máxima.
  • A análise demonstrou que esses índices fornecem uma caracterização mais rica da desigualdade do que um único coeficiente agregado, revelando características distintas da distribuição de renda em ambas as caudas.

Significância e Alegações
Os autores alegam que estas são as primeiras medidas do tipo Gini que separam explicitamente as contribuições de desigualdade em relação aos extremos amostrais inferior e superior, possuindo simultaneamente a ausência de viés exata em amostras finitas sob modelos Gamma e propriedades padrão de inferência de grandes amostras.

O artigo enfatiza que, ao contrário das medidas de Gini tradicionais, os índices propostos oferecem uma "perspectiva orientada à posição", permitindo que pesquisadores avaliem como a desigualdade se manifesta em relação a caudas distributivas específicas. Ao fornecer estimadores não viesados para populações Gamma — um modelo comum para dados econômicos — os autores argumentam que essas medidas servem como ferramentas complementares úteis para a análise de desigualdade, capazes de revelar características distributivas que podem permanecer ocultas ao utilizar um único coeficiente agregado. O trabalho estende a literatura de medidas do tipo Gini ao unir a lacuna entre medidas de intervalo agregadas e a avaliação de desigualdade específica de posição.