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

Resumo Técnico: Duas Medidas do Tipo Gini Ajustáveis com Estimação via Estatística-U

Enunciado do Problema
O coeficiente de Gini clássico, embora seja um padrão de referência para medir a desigualdade de renda e riqueza devido à sua interpretabilidade e facilidade de estimação, trata todas as diferenças pareadas entre observações de forma igual. Esse peso uniforme pode obscurecer padrões sutis de dispersão, particularmente no que diz respeito à contribuição das disparidades extremas versus as lacunas moderadas para a desigualdade geral. Os autores abordam a necessidade de medidas de desigualdade que permitam aos analistas ajustar a sensibilidade à desigualdade nas caudas sem abandonar o arcabouço teórico do coeficiente de Gini.

Metodologia
O artigo introduz duas novas famílias de medidas de desigualdade, denotadas por $G_p$ e $H_q$, que generalizam o coeficiente de Gini clássico ($G$) por meio de parâmetros ajustáveis $p > 1$ e $q > 0$, respectivamente.

1. Definições:

   • $G_p$: Definida via um núcleo logarítmico. Ela substitui a diferença absoluta bruta $|X_1 - X_2|$ por um núcleo escalado $T(p)$ envolvendo termos logarítmicos. À medida que $p \to \infty$, $G_p$ converge para o Gini clássico.
   • $H_q$: Definida via um núcleo de diferença de média de potência $K(q)$, utilizando a diferença entre a média de potência de ordem $q$ e a média de potência de ordem $-q$ de duas observações. À medida que $q \to \infty$, $H_q$ também converge para o Gini clássico.

2. Propriedades Teóricas:

   • Ambas as medidas são mostradas como funções crescentes de seus respectivos parâmetros ($p$ e $q$), implicando que valores mais altos aumentam a sensibilidade da medida a disparidades extremas (aversão à desigualdade).
   • Ambas as medidas convergem para 0 à medida que os parâmetros se aproximam de seus limites inferiores ($p \to 1^+$ e $q \to 0^+$) e para o Gini clássico à medida que os parâmetros tendem ao infinito.
   • Invariância de Escala: Uma distinção chave é notada: $H_q$ é invariante à escala de razão (invariante sob multiplicação escalar positiva da renda), semelhante ao Gini clássico. Em contraste, $G_p$ não é invariante à escala de razão; escalar a variável de renda é matematicamente equivalente a alterar o parâmetro de ajuste $p$.
   • Ambas as medidas são limitadas entre 0 e 1.

3. Estimação e Assintótica:

   • Os autores derivam estimadores de plug-in de estatística-U de forma fechada ($\hat{G}_p$ e $\hat{H}_q$) baseados em dados amostrais.
   • Utilizando resultados padrão para estatísticas-U (Hoeffding, 1948), eles estabelecem consistência forte e normalidade assintótica para ambos os estimadores sob condições de momento leves (especificamente, momentos de primeira e segunda ordem finitos da distribuição subjacente).
   • A variância assintótica é derivada usando o método delta multivariado, fornecendo uma base para a construção de intervalos de confiança e testes de hipóteses.

Resultados Empíricos e de Simulação

• Simulação de Monte Carlo: Um estudo de simulação foi conduzido utilizando dados gerados a partir de distribuições Gama com tamanhos amostrais variados ($n \in \{30, 50, 100, 200, 500\}$) e valores de parâmetros ($p, q \in \{1.1, 2, 5, 10, 50\}$).
  • Os resultados indicam que o Erro Relativo Absoluto Médio (MARE) e o Erro Quadrático Médio Raiz (RMSE) diminuem à medida que o tamanho da amostra aumenta.
  • A aproximação normal assintótica é encontrada como adequada para tamanhos amostrais $n \geq 100$.
  • O estudo confirma que valores maiores de parâmetro produzem estimativas mais próximas do Gini clássico, herdando suas propriedades favoráveis de estimação nessas configurações específicas.
• Aplicação Empírica: As medidas foram aplicadas a dados de PIB per capita de 34 países das Américas (2023).
  • Os dados foram validados contra uma distribuição Gama usando os testes de Kolmogorov–Smirnov e Cramér–von Mises.
  • A análise dos perfis de sensibilidade (plotando estimativas contra $p$ e $q$) revelou que $G_p$ sobe abruptamente em valores baixos de $p$ antes de estabilizar, enquanto $H_q$ sobe de forma mais gradual. Isso sugere que disparidades pareadas extremas são um motor significativo da desigualdade no conjunto de dados, e que valores moderados de $p$ capturam a maior parte desse efeito.

Contribuições Principais

1. Medidas Novas: A introdução de dois índices de desigualdade ajustáveis ($G_p$ e $H_q$) que fecham a lacuna entre medidas de dispersão padrão e o coeficiente de Gini clássico.
2. Teoria Estatística: A derivação de estimadores de estatística-U de forma fechada e a prova rigorosa de sua consistência forte e normalidade assintótica.
3. Utilidade Prática: A provisão de um arcabouço para análise de sensibilidade. Ao examinar o perfil de estimativas em uma faixa de parâmetros, os analistas podem determinar se a desigualdade está distribuída uniformemente ou impulsionada por valores extremos, informando assim a escolha de uma métrica de resumo apropriada.

Significado
O artigo afirma que essas medidas foram projetadas não para substituir o coeficiente de Gini, mas para complementá-lo. Ao permitir o ajuste da sensibilidade à desigualdade nas caudas, esses índices oferecem uma visão mais granular das estruturas distributivas. Os autores enfatizam que a escolha do parâmetro ($p$ ou $q$) deve ser guiada pelo arcabouço normativo específico ou pela natureza dos dados (por exemplo, se a unidade de medida deve afetar a avaliação). A capacidade de construir intervalos de confiança por meio das distribuições assintóticas derivadas aumenta ainda mais sua aplicabilidade na análise de políticas e pesquisa empírica.