Inference for the Lorenz Curve and Gini Index under the Geometric Distribution

Resumo Técnico: Inferência para a Curva de Lorenz e o Índice de Gini sob a Distribuição Geométrica

Enunciado do Problema
Medidas de desigualdade, especificamente a curva de Lorenz e o índice de Gini, são ferramentas fundamentais na economia, teoria da confiabilidade e ciência atuarial. Embora suas propriedades teóricas e estruturas inferenciais estejam bem estabelecidas para distribuições contínuas (ex: exponencial, lognormal, Pareto), sua aplicação a dados discretos apresenta desafios analíticos significativos. Em configurações discretas, a função de distribuição cumulativa é uma função em degraus, tornando inválida a definição integral padrão da curva de Lorenz. Consequentemente, a literatura existente carece de uma teoria inferencial sistemática para essas medidas sob modelos paramétricos discretos. Este artigo aborda essa lacuna desenvolvendo as propriedades distribuicionais exatas e assintóticas dos estimadores de máxima verossimilhança (EMV) para a curva de Lorenz e o índice de Gini sob a distribuição geométrica, um modelo fundamental para dados de contagem em campos como confiabilidade, teoria das filas e epidemiologia.

Metodologia
Os autores formulam um análogo discreto da curva de Lorenz, substituindo a integração pela somatória sobre o suporte da função de massa de probabilidade. Para uma variável geométrica $X \sim \text{Geom}(p)$ com suporte $\{0, 1, 2, \dots\}$, a curva de Lorenz $L(u; p)$ é definida via a inversa generalizada da função de distribuição.

O estudo prossegue através dos seguintes passos metodológicos:

1. Derivação do Estimador: Utilizando a propriedade de invariância do EMV, os estimadores para a curva de Lorenz ($\hat{L}(u)$) e o índice de Gini ($\hat{G}$) são derivados diretamente do EMV do parâmetro $p$, denotado por $\hat{p} = n / (n + \sum X_i)$.
2. Teoria da Distribuição Exata: Reconhecendo que o estatístico suficiente $T = \sum X_i$ segue uma distribuição binomial negativa, os autores derivam as distribuições amostrais exatas de $\hat{L}(u)$ e $\hat{G}$ em forma fechada. Estas distribuições são baseadas em rede (lattice-based) e não suaves, refletindo a natureza discreta do modelo subjacente.
3. Análise Assintótica: O artigo estabelece consistência forte e convergência $L_k$ para ambos os estimadores. A normalidade assintótica é derivada usando o método delta, produzindo expressões explícitas de variância.
4. Simulação e Aplicação: Um estudo de simulação de Monte Carlo (5.000 replicações) avalia o desempenho em amostras finitas (viés, variância, MSE) através de vários valores de parâmetro ($p$) e tamanhos de amostra ($n$). A metodologia é adicionalmente ilustrada utilizando o conjunto de dados de contagem de palavras dos Federalist Papers.

Principais Contribções e Resultados

• Formas Distribuicionais Exatas: O artigo fornece as primeiras expressões de forma fechada para as distribuições amostrais exatas dos estimadores da curva de Lorenz e do índice de Gini sob a distribuição geométrica.

  • Para o índice de Gini, mostra-se que o estimador $\hat{G} = (n+T)/(2n+T)$ é uma função de um para um do estatístico suficiente $T$. Sua função de distribuição é expressa via a função de distribuição cumulativa (CDF) da binomial negativa incompleta.
  • Para a curva de Lorenz, a distribuição é derivada baseada na transformação da variável binomial negativa, revelando uma estrutura em degraços dependente da inversa generalizada.

• Propriedades Assintóticas:

  • Índice de Gini: Demonstra-se que o estimador $\hat{G}$ é fortemente consistente e assintoticamente normal. A variância assintótica é derivada explicitamente como $\tau^2 = p^2(1-p)/(2-p)^4$. Notavelmente, o estimador do índice de Gini não requer condições de regularidade em relação ao parâmetro $u$ (visto que é um funcional escalar de $p$), permitindo inferência confiável mesmo em tamanhos de amostra moderados.
  • Curva de Lorenz: O estimador $\hat{L}(u)$ é consistente, mas sua normalidade assintótica requer uma condição de regularidade: o mapeamento $p \mapsto F^{-1}(u; p)$ deve ser constante em uma vizinhança do parâmetro verdadeiro. Caso contrário, a derivada é indefinida.

• Desempenho em Amostras Finitas (Achados da Simulação):

  • O estimador do índice de Gini apresenta desempenho robusto; as variâncias simuladas acompanham de perto a aproximação assintótica mesmo para pequenos tamanhos de amostra ($n=20$).
  • Em contraste, o estimador da curva de Lorenz exibe uma convergência significativamente mais lenta para o regime assintótico. Devido à estrutura de "saltos" discreta da distribuição, o estimador frequentemente cruza pontos de salto da inversa generalizada em amostras finitas, inflando a variância além da previsão do método delta. Esse efeito é particularmente pronunciado para valores maiores de $p$. A simulação indica que a normalidade assintótica para $\hat{L}(u)$ pode exigir tamanhos de amostra substancialmente maiores para ser praticamente confiável.

• Aplicação em Dados Reais:

  • A metodologia foi aplicada ao conjunto de dados de contagem de palavras dos Federalist Papers (frequência da palavra "may"). A distribuição geométrica proporcionou um excelente ajuste (valor-p de Pearson $\chi^2 = 0,783$).
  • O índice de Gini estimado foi $\hat{G} = 0,7162$ com um intervalo de confiança de 95% de $(0,6926, 0,7398)$, indicando alta concentração no uso de palavras.
  • A curva de Lorenz ajustada capturou corretamente a característica discreta onde os 40% inferiores dos blocos de texto (aqueles com zero ocorrências) não contribuem com nada para a contagem total, resultando em um segmento plano na origem.

Significância e Alegações
O artigo afirma fornecer um rigoroso arcabouço inferencial para medidas de desigualdade em contextos discretos, estendendo a análise clássica baseada em Lorenz para um modelo fundamental de contagem discreta. Os autores enfatizam que, enquanto o estimador do índice de Gini permite a inferência assintótica padrão a partir de tamanhos de amostra moderados, o estimador da curva de Lorenz necessita do uso das distribuições exatas derivadas para uma inferência precisa, particularmente em amostras menores ou quando $p$ é grande. Essa distinção destaca uma diferença fundamental entre a estimação de desigualdade contínua e discreta. O trabalho aborda uma lacuna específica na literatura onde a teoria inferencial sistemática (abrangendo distribuições exatas, consistência e normalidade assintótica) para modelos paramétricos discretos era anteriormente ausente.