Parametric and nonparametric income distribution estimators in CGE micro-simulation modeling
Notice bibliographique
Résumé
We consider the issue of income distribution modeling in the context of poverty analysis impact based on computable general equilibrium micro-simulation models. The empirical distribution function (EDF) is by far the most commonly used estimator in practice. It is, however, not the only available consistent estimator and there may be situations in which a different estimator would be able to provide more accurate results. An alternative is to use a smooth estimator of the population income distribution. Two types of such estimators are available: parametric and nonparametric ones. In the first case, one has to chose a particular parametric form for the distribution function and estimates its parameters. The main drawback is the difficulty associated with the selection of the functional form. The nonparametric approach sidesteps this functional form issue by using kernel density estimators that only impose mild restrictions on the distribution function. This is obviously an important advantage, but its cost is that the accuracy of these estimators typically depends to a large extent on the bandwidth used in the kernel function. Another advantage is that it nests the EDF as a special case. We propose to extend the work of Boccanfuso et al. (2008) in two ways. First, we consider a larger set of parametric functions, including the 5 parameter generalized beta distribution and some of its special cases. Second, we use non-parametric kernel estimators and study their accuracy under different bandwidth selection schemes. Lastly, we provide Monte Carlo comparisons of the accuracy of these methods with the widely used EDF.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».