WYBRANE ZAGADNIENIA MODELOWANIA ROZKŁADU DOCHODU ORAZ POMIARU NIERÓWNOŚCI DOCHODOWYCH ROZPATRYWANE Z PUNKTU WIDZENIA STATYSTYKI ODPORNEJ
Słowa kluczowe:
Rozkład dochodów, nierówności dochodowe, estymacja odporna.Abstrakt
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).
Pobrania
Bibliografia
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.
Google Scholar
Brazauskas V., Serfling R. (2001), Robust Estimation of Tail Parameters for Two-Parameter Pareto and Exponential Models via Generalized Quantile Statistics, “Extremes”, 3,
Google Scholar
pp. 231-249.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Hyndman J. R., Yao Q. (2002), Nonparametric estimation and symmetry tests for conditional density functions, “Journal of Nonparametric Statistics”, 14 (3), pp. 259 278.
Google Scholar
Kalecki M. (1945), On the Gibrat distribution, “Econometrica”, 13, pp. 161-170.
Google Scholar
Kleiber C., Kotz S. (2002), A characterization of income distributions in terms of generalized Gini coefficients, “Social Choice and Welfare”, 19, pp. 789-794.
Google Scholar
Kleiber C., Kotz S. (2003), Statistical Size Distributions in Economics and Actuarial Sciences, Wiley, New Jersey.
Google Scholar
Kosiorowski D., Zawadzki Z. (2014). DepthProc: An R package for robust exploration of multidimensional economic phenomena. Submitted.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Maronna R. A., Martin R. D., Yohai V. J. (2006), Robust Statistics – Theory and Methods, Wiley, Chichester.
Google Scholar
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.
Google Scholar
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
Google Scholar
Serfling R. (2002), Efficient and Robust Fitting of Lognormal Distributions.
Google Scholar
Victoria-Feser M. P. (2000), Robust Methods for the Analysis of Income Distribution, Inequality and Poverty, “International Statistical Review”, 68, pp. 277-293.
Google Scholar
