Bayesian Approach to Lorenz Curve Using Time Series Grouped Data
基于时间序列分组数据的洛伦兹曲线贝叶斯估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕洛伦兹曲线和收入不平等指标估计展开，并用状态空间结构连接跨期分组收入数据，直接对应分布与时间序列方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于时间序列分组数据的洛伦兹曲线贝叶斯估计
- 研究问题
- 只有各收入组份额的时间序列时，如何估计潜在收入分布的洛伦兹曲线与不平等指标，并利用跨期信息提高估计效率？
- 方法与思路
- 作者以相邻收入组的洛伦兹曲线差设定 Dirichlet 似然参数，在状态空间模型中连接变换后的曲线参数，并探讨广义似然的层级扩展。
- 材料陈述的贡献
- 摘要称模拟与日本月度收入调查显示，引入时间序列结构较逐期独立估计能更有效率地估计不平等指标，并讨论层级扩展。
- 阅读关注点
- 核对假设收入分布与洛伦兹参数的对应、状态转移和先验设定，以及分组方式、层级扩展和效率比较使用的评价指标。
- 阅读边界
- 摘要以假设收入分布建模，未给先验、计算方法、效率增益数值或模型失配检验；无法据此确认该方法具有普遍优势。
原文摘要
This study is concerned with estimating the inequality measures associated with the underlying hypothetical income distribution from the times series grouped data on the income proportions. We adopt the Dirichlet likelihood approach where the parameters of the Dirichlet likelihood are set to the differences between the Lorenz curve of the hypothetical income distribution for the consecutive income classes and propose a state-space model which combines the transformed parameters of the Lorenz curve through a time series structure. The present article also studies the possibility of extending the likelihood model by considering a generalized version of the Dirichlet distribution where the mean is modeled based on the Lorenz curve with an additional hierarchical structure. The simulated data and real data on the Japanese monthly income survey confirmed that the proposed approach produces more efficient estimates on the inequality measures than the existing method that estimates the model independently without time series structures.