ترجمه فارسی مقاله تعاریف متناوب از اقدامات جینی ، هوور و لورنز از نابرابری ها و همگرایی با توجه به معیار Wasserstein W$_1$

چکیده

This article focuses on some properties of three tools used to measure economic inequalities with respect to a distribution of wealth $μ$: Gini coefficient $G$, Hoover coefficient or Robin Hood coefficient $H$, and the Lorenz concentration curve $L$. To express the distributions of resources, we use the framework of random variables and abstract Borel measures, rather than discrete samples or probability densities. This allows us to consider arbitrary distributions of wealth, e.g. mixtures between discrete and continuous distributions. In the first part (sections~\ref{section_altdefs_lorenz}–\ref{section_altdefs_gini_hoover_application}), we discuss alternate definitions of $G$, $H$ and $L$ that can be found in economics literature. The Lorenz curve is defined as the normalized integral of the quantile function (\cite{gastwirth1971}), which is not the same as saying “$L(p)$ is the share of wealth owned by the $100p$ first centiles of the population” (proposition~\ref{lorenz_definition_match_condition}). The Gini and Hoover coefficients are introduced in terms of expectation of random variables. In section~\ref{section_altdefs_gini_hoover}, we interpret Gini and Hoover as geometrical properties of the Lorenz curve (theorem \ref{theorem_alternate_def_gini} and corollary \ref{theorem_alternate_def_hoover_max}). In particular, we give a more general and straightforward proof of the main result of \cite{dorfman1979}. Section~\ref{section_altdefs_gini_hoover_application} gives two direct applications. We \emph{en route} prove the (not trivial) fact that the Lorenz curve fully characterizes a distribution, up to a rescaling (proposition~\ref{bijection_M_Lorspace_R}). The second part of the article (section~\ref{section_convergence_results}–\ref{section_weaker_asumptions_cv}) focuses on the consistency of $G(μ)$, $H(μ)$ and $L_μ$ as $μ$ is approximated or perturbated. The relevant tool to use is the Wasserstein metric $\Wone$, i.e. the $\Lone$ metric between quantile functions. $\Wone(μ_n, μ_\infty) \to 0$ if and only if underlying random variables converge in distribution and the total amount of wealth converges. In theorem~\ref{characterization_lorenz_convergence} and proposition~\ref{convergence_indicators}, we show that if $\Wone(μ_n, μ_\infty) \to 0$, then $G(μ_n) \to G(μ_\infty)$, $H(μ_n) \to H(μ_\infty)$ and $L_{μ_n} \to L_{μ_\infty}$ uniformly. Subsection~\ref{subsection_topo} discusses topological implications of this fact. Thus, applications \ref{convergence_corollary_noise}, \ref{convergence_corollary_sampling}, \ref{convergence_corollary_quantiles}, \ref{convergence_corollary_quantiles_and_sampling} and \ref{convergence_corollary_sampling_kernel} justify that the empirical Gini, Hoover indexes and Lorenz curves computed on a sample or rebuilt with partial information converge to the real Gini, Hoover indexes and Lorenz curve as information increases. Eventually, in section~\ref{section_weaker_asumptions_cv}, we discuss the situations where the $\Wone$ convergence is not ensured, but weaker asumptions can be made (convergence in distribution in~\ref{subsection_weak_convergence}, convergence of means in~\ref{subsection_convergence_means} or uniform integrability in~\ref{subsection_ui})

چکیده به فارسی (ترجمه ماشینی)

این مقاله به برخی از خواص سه ابزار مورد استفاده برای اندازه گیری نابرابری های اقتصادی با توجه به توزیع ثروت $ $ $: ضریب جینی $ g $ ، ضریب هوور یا ضریب رابین هود $ H $ و منحنی غلظت لورنز $ L $ است.برای بیان توزیع منابع ، ما به جای نمونه های گسسته یا تراکم احتمال ، از چارچوب متغیرهای تصادفی و اقدامات انتزاعی Borel استفاده می کنیم.این به ما امکان می دهد توزیع دلخواه ثروت را در نظر بگیریم ، به عنوان مثالمخلوط بین توزیع گسسته و مداوم.در قسمت اول (بخش های ~ \ ref {section_altdefs_lorenz}-\ ref {بخش_ALTDEFS_GINI_HOOVER_APPLICATION}) ، ما در مورد تعاریف متناوب $ g $ ، $ h $ و $ l $ بحث می کنیم که می تواند در ادبیات اقتصاد پیدا شود.منحنی لورنز به عنوان یک انتگرال عادی عملکرد کمی تعریف شده است (\ cite {gastwirth1971}) ، که به همان اندازه نیست که می گوید “$ l (p) $ سهم ثروت است که متعلق به 100 دلار $ $ سانتلهای اول استجمعیت “(گزاره ~ \ ref {lorenz_definition_match_condition}).ضرایب جینی و هوور از نظر انتظار متغیرهای تصادفی معرفی می شوند.در بخش ~ \ ref {sex_altdefs_gini_hoover} ، ما جینی و هوور را به عنوان خصوصیات هندسی منحنی لورنز (قضیه {refem_alternate_def_gini} و نتیجه گیری \ refem_alternate_def_hoover_max}) تفسیر می کنیم.به طور خاص ، ما اثبات کلی و ساده تری از نتیجه اصلی \ cite {dorfman1979} ارائه می دهیم.بخش ~ \ ref {بخش_ALTDEFS_GINI_HOOVER_APPLICATION} دو برنامه مستقیم ارائه می دهد.ما \ empl {مسیر} واقعیت (نه بی اهمیت) را اثبات می کنیم که منحنی لورنز به طور کامل یک توزیع را مشخص می کند ، تا یک نجات (گزاره ~ \ ref {bijection_m_lorspace_r)).قسمت دوم مقاله (بخش ~ \ ref {section_convergence_results}-\ ref {setrace_weaker_asuments_cv}) بر قوام $ g (μ) $ ، $ h (μ) $ و $ l_μ $ تقریب می یابد.یا آشفتهابزار مربوطه برای استفاده ، متریک Wasserstein $ \ Wone $ ، یعنی متریک $ $ $ بین توابع کمی است.$ \ WONE (μ_n ، μ_ \ infty) \ تا 0 $ اگر و فقط در صورتی که متغیرهای تصادفی در توزیع همگرا شوند و مقدار کل ثروت همگرا شود.در قضیه ~ \ ref {CENTECTIONISIONIS_LORENZ_CONVERGENCE and و گزاره ~ \ ref {convergence_indicators} ، ما نشان می دهیم که اگر $ \ wone (μ_n ، μ_ \ infty) \ to 0 $ ، سپس $ g (μ_n) \ to g (μ_ \ \ infty)$ ، $ h (μ_n) \ to h (μ_ \ infty) $ و $ l_ {μ_n} \ to l_ {μ_ \ infty} $ یکنواخت.زیرمجموعه ~ \ ref {subsection_topo} در مورد پیامدهای توپولوژیکی این واقعیت بحث می کند.بنابراین ، برنامه های کاربردی \ ref {convergence_corollary_noise} ، \ ref {convergence_corollary_sampling} ، \ ref {convergence_corollary_quantiles} ، \ ref {convergence_corollary_quantiles_quantiles_and_and_sampling {ref جینی تجربی ، شاخص های هوور و منحنی های لورنز محاسبه شده بر روی یک نمونه یا بازسازی شده با آنبا افزایش اطلاعات ، اطلاعات جزئی به جینی واقعی ، شاخص های هوور و منحنی لورنز همگرا می شوند.سرانجام ، در بخش ~ \ ref {sex_weaker_asuments_cv} ، ما در مورد موقعیت هایی که همگرایی $ \ wone $ تضمین نشده است بحث می کنیم ، اما می توان آزمون های ضعیف تری انجام داد (همگرایی در توزیع در ~ \ ref {ref_convergence} ، همگرایی در ~ ~ \ \ref {subtar_convergence_means} یا یکپارچه سازی یکنواخت در ~ \ ref {subsection_ui})