INCOME DISTRIBUTION MODELS AND INCOME INEQUALITY MEASURES FROM THE ROBUST STATISTICS PERSPECTIVE REVISITED

• Authors: Daniel Kosiorowski

Title variants

WYBRANE ZAGADNIENIA MODELOWANIA ROZKŁADU DOCHODU ORAZ POMIARU NIERÓWNOŚCI DOCHODOWYCH ROZPATRYWANE Z PUNKTU WIDZENIA STATYSTYKI ODPORNEJ

• Languages of publication: EN

Abstracts

EN

Considerations related to income distribution and income inequalities in populations of economic agents belong to the core of the modern economic theory. They appear also in a public debate concerning postulates as to taxation or pension politics, in theories of a human capital creation or searching for regional development factors. Results of statistical inference conducted for giving arguments pro or against particular hypotheses, strongly depend on properties of statistical procedures used within this process. We mean here for example: a quality of probability density estimator in case of missing data, a quality of skewness measure in multivariate case departing from normality, or a quality of dimension reduction algorithm in case of existence of outliers. In this paper from the robust statistics point of view, we analyse difficulties related to statistical inference on income distribution models and income inequalities measures. Theoretical considerations are illustrated using real data obtained from Eurostat and Minessota Population Center (IMPUS).

PL

Rozważania dotyczące rozkładów dochodów oraz nierówności dochodowych bez wątpienia należą o tzw. jądra ekonomii teoretycznej. Rozważania tego typu pojawiają się w debacie publicznej dotyczącej polityki podatkowej, polityki transferów społecznych, w teoriach tworzenia kapitału intelektualnego bądź w typowaniu czynników rozwoju regionalnego. Warto zauważyć, że wyniki badań statystycznych prowadzonych, aby dostarczyć argumentów za bądź przeciw hipotezom stawianym w debatach ekonomistów zależą krytycznie od własności metod statystycznych wykorzystywanych w tych badaniach. Mamy tutaj przykładowo na uwadze, jakość estymatora gęstości w przypadku brakujących danych, jakość wielowymiarowej miary skośności w przypadku odstępstwa od normalności populacji, bądź jakość algorytmu zmniejszającego wymiar zagadnienia statystycznego w przypadku występowania obserwacji odstających. W sytuacji, gdy w badaniach tego typu uwzględniamy dodatkowo pewien wymiar przestrzenny bądź społecznoekonomiczny – przeprowadzenie dobrej jakości wnioskowania statystycznego wydaje się stanowić szczególnym wyzwanie. W niniejszej pracy w krytyczny sposób analizujemy trudności związane z wnioskowaniem statystycznym dotyczącym wybranych modeli dochodu i wybranych miar nierówności dochodowych. Z perspektywy statystyki odpornej badamy m.in. powszechnie wykorzystywane estymatory parametrów modeli Pareto, Pearsona, D'Addario oraz Daguma. Proponujemy odporne i nieparametryczne alternatywy dla popularnych miar nierówności dochodowych oraz pokazujemy jak zredukować liczbę predyktorów dla agregatów dochodowych w odporny sposób. Zwracamy szczególną uwagę na przestrzenny wymiar naszych badań. Rozważania teoretyczne ilustrujemy m.in. wykorzystując dane empiryczne pochodzące z Eurostatu i Minnesota Population Center (IMPUS).

Keywords

EN

Income distribution; income inequality; robust estimation.

PL

Rozkład dochodów; nierówności dochodowe; estymacja odporna.; Rozkład dochodów; nierówności dochodowe; estymacja odporna.

• Publisher: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
• Journal: Acta Universitatis Lodziensis. Folia Oeconomica
• Year: 2014
• Volume: 6
• Issue: 309

Dates

published

2015-05-18

Contributors

author

Daniel Kosiorowski

• Cracow University of Economics, Faculty of Management, Department of Statistics.

References

• Brazauskas V., Serfling R. (2000), Robust and Efficient Estimation of the Tail Index of a Single-Parameter Pareto Distribution, “North American Actuarial Journal”, 4, pp. 12-27.
• Brazauskas V., Serfling R. (2001), Robust Estimation of Tail Parameters for Two-Parameter Pareto and Exponential Models via Generalized Quantile Statistics, “Extremes”, 3,
• pp. 231-249.
• Brazauskas V., Serfling R. (2004), Favorable Estimators for Fitting Pareto Models: A Study Using Goodness-of-Fit Measures with Actual Data, ASTIN Bulletin, 2, pp. 365-381.
• Dagum C. (2001), A systemic approach to the generation of income distribution models, (in:) Sattinger M. (ed.), Income Distribution, vol. I, E. Elgar, Northampton, pp. 32-53.
• Hyndman J. R., Yao Q. (2002), Nonparametric estimation and symmetry tests for conditional density functions, “Journal of Nonparametric Statistics”, 14 (3), pp. 259 278.
• Kalecki M. (1945), On the Gibrat distribution, “Econometrica”, 13, pp. 161-170.
• Kleiber C., Kotz S. (2002), A characterization of income distributions in terms of generalized Gini coefficients, “Social Choice and Welfare”, 19, pp. 789-794.
• Kleiber C., Kotz S. (2003), Statistical Size Distributions in Economics and Actuarial Sciences, Wiley, New Jersey.
• Kosiorowski D., Zawadzki Z. (2014). DepthProc: An R package for robust exploration of multidimensional economic phenomena. Submitted.
• Kosiorowski D., Tracz, D. (2014a), On robust estimation of Pareto models and its consequences for government aid programs evaluation, (in:) Lula P., Rojek T. (eds.), Knowledge-Economy-Society Contemporary Tools of Organizational Management, pp. 253-267.
• Kosiorowski D., Mielczarek D., Rydlewski J., Snarska M. (2014), Applications of the functional data analysis for extracting meaningful information from families of yield curves and income distribution densities, (in:) Lula P., Rojek T. (eds.), Knowledge-Economy-Society Contemporary Tools of Organizational Management, pp. 309-321.
• Maronna R. A., Martin R. D., Yohai V. J. (2006), Robust Statistics – Theory and Methods, Wiley, Chichester.
• Mosler K. (2013), Depth statistics, (in:) Becker C., Fried R. S. K. (eds.), Robustness and Complex Data Structures, Festschrift in Honour of Ursula Gather. Springer, pp. 17-34.
• Pawlak W., Sztaudynger J. J. (2008), Wzrost gospodarczy a optymalne zróżnicowanie dochodów w USA i Szwecji, “Annales – Etyka w życiu gospodarczym”, 1, pp. 259-271
• Serfling R. (2002), Efficient and Robust Fitting of Lognormal Distributions.
• Victoria-Feser M. P. (2000), Robust Methods for the Analysis of Income Distribution, Inequality and Poverty, “International Statistical Review”, 68, pp. 277-293.