The Gini Methodology: A Primer on a Statistical Methodology

تفاوت میانگین جینی (GMD) برای اولین بار توسط کورادو جینی در سال 1912 به عنوان یک معیار جایگزین برای تغییرپذیری معرفی شد. GMD و پارامترهای حاصل از آن (مانند ضریب جینی یا نسبت غلظت) تقریباً یک قرن است که در حوزه توزیع درآمد مورد استفاده قرار گرفته است. در عمل، استفاده از GMD به‌عنوان معیاری برای تغییرپذیری، زمانی توجیه می‌شود که محقق آماده تحمیل دنیای راحت نرمال بودن، بدون سؤال کردن نباشد. این امر باعث می‌شود که GMD در تحقیقات پیچیده آماردانان، اقتصاددانان، اقتصاددانان و سیاست‌گذاران اهمیت حیاتی داشته باشد.

این کتاب بر تقلید از تحلیل‌هایی تمرکز دارد که مبتنی بر واریانس با جایگزینی واریانس با GMD و انواع آن است. به این ترتیب، متن نشان می دهد که چگونه تقریباً همه چیزهایی که می توان با واریانس به عنوان معیار تغییرپذیری انجام داد، با استفاده از جینی قابل تکرار است. فراتر از این، مزایای مشخصی برای استفاده از جینی بر خلاف روش‌های دیگر وجود دارد. یکی از مزایای استفاده از متدولوژی جینی این است که یک سیستم یکپارچه را ارائه می دهد که کاربر را قادر می سازد تا در مورد جنبه های مختلف توزیع زیربنایی اطلاعات کسب کند. همچنین یک روش سیستماتیک و یک اصطلاح یکپارچه ارائه می دهد.

استفاده از روش‌شناسی جینی می‌تواند خطر تحمیل مفروضاتی را که توسط داده‌های مدل پشتیبانی نمی‌شوند کاهش دهد. با در نظر گرفتن این مزایا، متن از رویکرد مبتنی بر کوواریانس استفاده می‌کند، اگرچه کاربردهایی برای سایر رویکردها نیز ذکر شده است.

Gini's mean difference (GMD) was first introduced by Corrado Gini in 1912 as an alternative measure of variability. GMD and the parameters which are derived from it (such as the Gini coefficient or the concentration ratio) have been in use in the area of income distribution for almost a century. In practice, the use of GMD as a measure of variability is justified whenever the investigator is not ready to impose, without questioning, the convenient world of normality. This makes the GMD of critical importance in the complex research of statisticians, economists, econometricians, and policy makers.

This book focuses on imitating analyses that are based on variance by replacing variance with the GMD and its variants. In this way, the text showcases how almost everything that can be done with the variance as a measure of variability, can be replicated by using Gini. Beyond this, there are marked benefits to utilizing Gini as opposed to other methods. One of the advantages of using Gini methodology is that it provides a unified system that enables the user to learn about various aspects of the underlying distribution. It also provides a systematic method and a unified terminology.

Using Gini methodology can reduce the risk of imposing assumptions that are not supported by the data on the model. With these benefits in mind the text uses the covariance-based approach, though applications to other approaches are mentioned as well.