Nesourodý dopad

nesourodá teorie dopadu odpovědnosti je kontroverzní z několika důvodů. Za prvé, označuje určité nezamýšlené účinky jako „diskriminační“, ačkoli diskriminace je obvykle úmyslným jednáním. Za druhé, teorie je v napětí s nesourodými ustanovení o zacházení podle zákonů o občanských právech, stejně jako americká ústava je zárukou stejné ochrany. Pokud by například výše zmíněný hypotetický hasič použil požadavek na 100 liber, mohla by tato politika neúměrně vyloučit uchazeče o zaměstnání ze zaměstnání., Pod 80% pravidlo bylo uvedeno výše, neúspěšné ženy uchazeči o zaměstnání by prima facie případ nesourodé dopad „diskriminace“ proti oddělení, pokud jsou předány 100-libra testu při rychlosti nižší než 80% rychlost, při které muži prošel testem. Aby se předešlo sporu o ženské práci žadatelů, oddělení může odmítnout najmout někoho ze svých žadatele bazén—jinými slovy, ministerstvo může odmítnout najmout někoho, protože příliš mnoho z úspěšných uchazečů byli muži., To znamená, že by zaměstnavatel záměrně diskriminováni úspěšné mužských uchazečů o zaměstnání z důvodu jejich pohlaví, a to pravděpodobně činí nelegální různorodé zacházení a porušení Ústavy“právo na stejnou ochranu. V roce 2009 případ Ricci v. Ve, AMERICKÝ Nejvyšší Soud udělal pravidlo, že se hasiči dopustili protiprávní rozdílné zacházení tím, že odmítl podporovat bílá hasičů, ve snaze vyhnout se různorodé dopad odpovědnost za případné soudní řízení tím, černé a Hispánské hasiči, kteří neúměrně nepodařilo požadované zkoušky pro povýšení., I když Soud v tomto případě nedosáhl ústavní problém, Spravedlnost Scalia“souhlasné stanovisko navrhl hasiči také porušil ústavní právo na stejnou ochranu. Ještě před Ricci, nižší federální soudy rozhodly, že opatření přijatá, aby se zabránilo možnému nesourodému dopadu odpovědnosti, porušují Ústavní právo na stejnou ochranu. Jedním z takových případů je Biondo v. město Chicago, Illinois, ze sedmého okruhu.

v roce 2013 podala Komise pro rovné pracovní příležitosti (EEOC) žalobu, EEOC v., FREEMAN, proti použití typické kriminální pozadí a úvěrové kontroly během procesu náboru. A připouští, že existuje mnoho legitimní a závod-neutrální důvody pro zaměstnavatele, aby se na obrazovce odsouzení kriminálníci a dlužníci, EEOC představil teorii, že tato praxe je diskriminační, protože menšiny v USA jsou více pravděpodobné, že bude odsouzen zločinci se špatnou úvěrovou historií, než bílí Američané. Zaměstnavatelé by tedy měli do svého najímání zahrnout zločince a dlužníky. V tomto případě USA., Okresní soudce Roger Titus rozhodl pevně proti nesourodé teorie dopadu, říkat, že EEOC akce byla „teorie při hledání faktů na jeho podporu.““Tím, že akce tohoto druhu, EEOC má umístěny mnozí zaměstnavatelé v „Hobson“s volbou“ ignorovat trestní historii a kreditní pozadí, čímž se vystavují potenciální odpovědnosti za trestné a podvodné činy spáchané zaměstnanci, na jedné straně, nebo přivodí hněv EEOC za to, že využila informace, které považuje za zásadní tím, že většina zaměstnavatelů. Něco víc…, musí být využita k ospravedlnění nesourodého nároku na dopad založeného na trestní historii a úvěrových kontrolách. Vyžadovat méně, by bylo odsoudit používání zdravého rozumu, a to prostě není to, co zákony této země vyžadují.“

Thomas Duši tvrdí, že za předpokladu, že rozdíly ve výsledcích jsou způsobeny diskriminací je logický klam.,ematical analýza:

1. práh vliv velikosti rozdílů předpokládat, že došlo k diskriminaci
2. v Případě korekce pro matoucích proměnných v regresní model se konala a byla použita vhodně

velikost Účinku thresholdEdit

Jsme schopni převést mezi opatření velikost účinku pomocí vztahů:

, kde d {\displaystyle d} je Cohen“s d, NEBO {\displaystyle {\text{NEBO}}} je poměr šancí, ρ {\displaystyle \rho } je Pearsonův korelační, a Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} je standardní normální kumulativní distribuční funkce., Koeficient stanovení R 2 {\displaystyle R^{2}} je čtverec korelace. Výraz P ( X > Y ) {\displaystyle \mathbb {P} (X>Y)}, je pravděpodobnost, že člen skupiny X {\displaystyle X} získá skóre větší než členem skupiny Y {\displaystyle Y} ., Pro sadu poměry pravděpodobnosti, která se často používá k určení, zda je různý dopad, můžeme převést mezi účinkem velikostí jako takovou:

Pomocí těchto různých opatření, vliv velikosti, jsme schopni kvantitativně určit velikost mezery na základě několika společných výkladů., Zejména, můžeme interpretovat vliv velikosti jako:

• množství vysvětlil variace (koeficient determinace)
• rozdíl z hlediska směrodatné odchylky (Cohen“s d)
• pravděpodobnost, Že větší skóre

Pokud vezmeme 80% pravidlo aplikovat pomocí odds ratio, to znamená, že prahová hodnota odds ratio pro za předpokladu, že diskriminace je 1.25 – ostatní opatření velikost účinku jsou tedy:

z toho vyplývá, že diskriminace se předpokládá, že existují, pokud 0.4% variace ve výsledcích je vysvětlen a je 0.123 standardní odchylka rozdíl mezi dvěma skupinami. Obě tato množství jsou natolik malá, že existují značné obavy z nalezení falešně pozitivních případů diskriminace na nepřijatelné úrovni.

větší práh pro domněnku, že rozdíly jsou způsobeny diskriminací, jako je poměr kurzů 2-3, je méně pravděpodobné, že bude mít falešně pozitivní.,

Matoucí a regresní analysisEdit

druhý problém pomocí různorodých dopad je, že rozdíly mohou být ovlivněny základní proměnné, se nazývá let, což by znamenalo, že nerovnost je kvůli hlubších rozdílů, které nejsou založeny na členství ve skupině., Například, všechny tyto rozdíly existují:

• Ženy mají tendenci být nedostatečně zastoupeny mezi hasiči
  • To vedlo New Yorku, aby pokles své fyzické dovednosti test pro zkušební hasiči
• Ženy jízdy pro Uber mají tendenci být placeny méně než muži,
• Černý, tvoří muži nepřiměřený podíl Američanů zabit policisty

Je možné, že všechny tyto rozdíly jsou vzhledem k diskriminaci, ale regresní analýza nám umožňuje, aby účet pro proměnné, které mohou vysvětlit rozdíly., Předpokládejme například, že se pokoušíme zjistit, zda je rozdíl mezi platy mezi dvěma skupinami způsoben diskriminací. Pak můžeme vytvořit vícenásobné regresní model pro plat y {\displaystyle y} jako:

, kde x i {\displaystyle x_{i}} jsou matoucích proměnných, G ∈ { 0 , 1 } {\displaystyle G\in \{0,1\}} je dichotomické proměnné s uvedením členství ve skupině, a ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim {\mathcal {N}}(0,\sigma ^{2})} je normálně rozdělená náhodná proměnná., Po korekci potenciálně matoucích proměnných v regresním modelu bychom měli být schopni zjistit, zda stále existuje vliv členství ve skupině na množství zájmu. Pokud jsme nebyly vynechány žádné důležité matoucích proměnných, a není zapojen v p-hacking, pak statisticky významné | γ | > 0 {\displaystyle |\gamma |>0} naznačuje velmi dobrá možnost pozitivní, nebo negativní diskriminaci.,

Krouží zpět na naše tři příklady, existují věrohodné vysvětlení pro všechny rozdíly, které byly uvedené:

• Hasiči by měli být fyzicky silný, a ženy mají tendenci být stejně silné jako muži
• Mezi řidiči Uber, 7% rozdíl v odměňování mezi muži a ženami byl způsoben třemi faktory:
  • Kde a kdy jezdí pocházejí z (tj.,, místo a čas)
  • Množství řidiče, zkušenosti
  • rychlost
• Zatímco rozdíly v použití méně-než-smrtící síly stále existují po účetnictví pro matoucích proměnných, tam se nezdá být jakýkoli vztah mezi rasou a smrtící síla, jednou zkreslující jevy jsou zohledněny

Jak lze vidět z těchto příkladů, rozdíly nemusí nutně znamenat diskriminaci. Při zkoumání, zda existuje nebo neexistuje diskriminace mezi dvěma nebo více skupinami, je důležité zohlednit všechny relevantní proměnné.