The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis

Resumo Técnico: O Índice de Desigualdade Aritmético-Harmônica (AHI)

1. Problema e Motivação

O artigo aborda a necessidade de medidas de dispersão para variáveis aleatórias positivas que sejam:

• Limitadas: Variando estritamente no intervalo $[0, 1)$.
• Invariantes de escala: Não dependendo da unidade de medida da variável.
• Interpretáveis: Relacionadas diretamente a conceitos clássicos de média e desigualdade.

O índice proposto, denominado Índice de Desigualdade Aritmético-Harmônica (AHI), é definido pela interação entre a média aritmética e a média harmônica de uma variável aleatória positiva $X$. O índice é definido como:
$$J = 1 - \frac{1}{E[X]E[1/X]}$$
Onde $E[X]$ é a média aritmética e $E[1/X]$ é o inverso da média harmônica. O índice satisfaz $0 \le J < 1$, sendo $J=0$ se e somente se $X$ for uma variável degenerada (sem variabilidade). O artigo demonstra que o AHI é uma transformação monotônica do coeficiente de variação quadrático ($CV^2$) e pode ser recuperado como um caso especial do Índice de Atkinson com parâmetro de aversão à desigualdade $\varepsilon = 2$.

2. Metodologia

Os autores desenvolveram uma análise teórica e empírica abrangente, dividida em três pilares principais:

• Derivação Analítica (População):

  • Foram obtidas expressões fechadas para o índice $J$ sob a família de distribuições Gaussiana Inversa Generalizada (GIG).
  • A família GIG é flexível e engloba casos importantes como a Gaussiana Inversa (IG) e a Gama.
  • Utilizaram-se funções de Bessel modificadas do segundo tipo ($K_p$) para expressar os momentos e o índice.

• Estimação e Propriedades Assintóticas:

  • Propôs-se um estimador de substituição ($\hat{J}$) baseado nas médias aritmética e harmônica amostrais.
  • Expectativa Exata: Utilizando a transformada de Laplace e o teorema de Tonelli, os autores derivaram uma representação integral exata para a expectativa do estimador $E[\hat{J}]$, permitindo o cálculo do viés de amostragem finita.
  • Propriedades Assintóticas: Estabeleceu-se a consistência forte e a normalidade assintótica do estimador via o Teorema do Limite Central Multivariado e o Método Delta.
  • Expansão de Viés: Foi derivada uma expansão de viés de primeira ordem ($O(1/n)$) utilizando expansões de Taylor de segunda ordem.

• Estudo de Simulação (Monte Carlo):

  • Realizou-se uma simulação com $R=4000$ réplicas para avaliar o desempenho em amostras finitas.
  • Cenários testados: Distribuição Gaussiana Inversa (variando $\mu$ e $\lambda$) e Distribuição Gama (variando o parâmetro de forma $\alpha$).
  • Tamanhos de amostra: $n \in \{20, 50, 75, 100, 200\}$.

3. Principais Contribuições

1. Formulação Unificada: O trabalho fornece uma estrutura unificada para o índice AHI dentro da família GIG, generalizando resultados para distribuições específicas.
2. Fórmulas Exatas de Viés: Diferente de muitas aproximações assintóticas, o artigo fornece representações integrais exatas para a expectativa do estimador, permitindo o cálculo preciso do viés para qualquer tamanho de amostra $n$ e parâmetros específicos.
3. Análise de Casos Específicos:
   • Para a Gaussiana Inversa, o índice depende apenas da razão $\mu/\lambda$.
   • Para a Distribuição Gama, o índice é exatamente o inverso do parâmetro de forma ($J = 1/\alpha$), e o viés do estimador foi explicitamente caracterizado.
   • Demonstrou-se que o estimador é não viesado para a distribuição de Lévy (caso limite da Gaussiana Inversa).
4. Validação Empírica: A simulação confirma que o viés e o erro quadrático médio (MSE) diminuem conforme o tamanho da amostra aumenta, corroborando as propriedades assintóticas teóricas.

4. Resultados Chave

• Comportamento do Índice: O índice $J$ comporta-se como $CV^2$ para pequenas variabilidades e tende a 1 quando a variabilidade aumenta ($CV^2 \to \infty$).
• Desempenho do Estimador:
  • O estimador $\hat{J}$ é consistentemente convergente para o valor populacional $J$.
  • A distribuição assintótica é normal com variância que depende dos momentos de segunda ordem de $X$ e $1/X$.
  • Nas simulações, o viés é negativo (subestimação) e decresce rapidamente com o aumento de $n$. O MSE também segue a tendência esperada de convergência.
• Dependência Paramétrica:
  • Na distribuição Gama, o viés do estimador depende criticamente do parâmetro de forma $\alpha$ (sendo necessário $\alpha > 2$ para a existência do viés de primeira ordem derivado).
  • Na distribuição Gaussiana Inversa, o viés depende da relação entre os parâmetros de escala e forma.

5. Significância e Conclusão

O artigo preenche uma lacuna na literatura estatística ao fornecer uma teoria completa de inferência para uma medida de desigualdade bounded (limitada) e invariante de escala. A capacidade de calcular expressões exatas para o viés em amostras finitas é particularmente valiosa para aplicações práticas onde o tamanho da amostra é limitado.

O índice AHI oferece uma alternativa interpretável ao Coeficiente de Variação e ao Índice de Atkinson, sendo especialmente útil em contextos econômicos e financeiros onde se deseja medir a desigualdade ou dispersão de variáveis estritamente positivas (como renda, preços ou tempos de falha) com uma métrica normalizada entre 0 e 1. A robustez demonstrada nas simulações e a base teórica sólida tornam o estimador proposto uma ferramenta viável para análise de dados reais.