Come misurare la disuguaglianza se i dati sono incompleti?

Immagina di voler capire quanto è equa la distribuzione dei soldi in un gruppo di amici, ma qualcuno ti dice solo: 'Marco ha tra i 10 e i 20 euro' oppure 'Il gruppo ha in totale 100 euro'. Difficile, vero? Ecco, questo è esattamente il problema che gli scienziati affrontano quando studiano la ricchezza nel mondo reale. Spesso non abbiamo i dati precisi di ogni singola persona, ma solo dei 'gruppi' o degli intervalli di valori.

Un nuovo studio matematico ha trovato un modo intelligente per risolvere questo mistero. Gli scienziati hanno creato un sistema capace di calcolare dei 'limiti' (chiamati bounds). Invece di dare un numero unico che potrebbe essere sbagliato, il sistema dice: 'La disuguaglianza è sicuramente compresa tra questo valore minimo e questo massimo'. È come dire che non sai l'esatta altezza di un muro, ma sai che è alto tra i 2 e i 3 metri.

Questo metodo funziona con indici famosi come il coefficiente di Gini, che misura quanto è distribuita la ricchezza. Usando calcoli matematici avanzati, i ricercatori sono riusciti a trasformare problemi infiniti e complicatissimi in calcoli veloci che un computer può risolvere in un attimo. Questo è fondamentale per capire davvero come cambia la ricchezza nel tempo, anche quando i dati storici sono poco chiari o raggruppati in tabelle.

Il cuore di questa ricerca risiede nella 'identificazione parziale'. In statistica, quando i dati sono incompleti (osservazioni intervallari o dati raggruppati), non è possibile determinare un unico valore puntuale per un parametro, come il coefficiente di Gini. Il framework proposto utilizza la teoria della convessità di Schur per caratterizzare le distribuzioni che massimizzano o minimizzano tali indici. Gli autori hanno dimostrato che, per una vasta classe di misure di disuguaglianza, i limiti estremi sono raggiunti da distribuzioni con supporto finito, trasformando un problema di ottimizzazione in uno spazio di dimensioni infinite in un problema di ottimizzazione finita, molto più gestibile. Inoltre, per indici che possono essere espressi come rapporti lineari-frattionari (come il rapporto tra i quantili), il problema viene ricondotto a programmi lineari o quadratici. Questo permette di ottenere limiti numericamente precisi in tempi rapidissimi. Per quanto riguarda l'inferenza, il metodo utilizza un 'delta method direzionale uniforme' e tecniche di bootstrap per stimare gli errori standard, garantendo che le stime dei limiti siano statisticamente affidabili anche con campioni finiti. Questo approccio è stato testato con successo su dati reali sulla ricchezza (ELSA) e su tabelle storiche del reddito statunitense, dimostrando una grande utilità pratica per l'analisi economica moderna.