Forskellig indvirkning

den forskellige påvirkningsteori om ansvar er kontroversiel af flere grunde. For det første mærker det visse utilsigtede virkninger som “diskriminerende”, selvom diskrimination normalt er en forsætlig handling. For det andet, teorien er i spænding med forskellige behandling bestemmelser i henhold til borgerrettighedslove samt den amerikanske forfatning”s garanti for lige beskyttelse. For eksempel, hvis den hypotetiske brandvæsen, der blev diskuteret ovenfor, brugte kravet på 100 pund, kan denne politik uforholdsmæssigt udelukke kvindelige jobansøgere fra ansættelse., I henhold til 80% – reglen nævnt ovenfor ville mislykkede kvindelige jobansøgere have et umiddelbart tilfælde af forskellig indvirkning “diskrimination” mod afdelingen, hvis de bestod 100-pundstesten med en hastighed, der er mindre end 80% af den hastighed, hvormed mænd bestod testen. For at undgå en retssag fra de kvindelige jobansøgere, afdelingen kan nægte at ansætte nogen fra sin ansøgerpool—med andre ord, afdelingen kan nægte at ansætte nogen, fordi for mange af de succesrige jobansøgere var mandlige., Således ville arbejdsgiveren har med vilje diskrimineret de succesfulde mandlige jobansøgere på grund af deres køn, og at sandsynligvis beløber sig til ulovlig uensartet behandling og en krænkelse af forfatningen”s ret til lige beskyttelse. I 2009 sag Ricci v. DeStefano, den AMERIKANSKE Højesteret fandt derimod, at en brandvæsen begået ulovlige uensartede behandling ved at nægte at fremme hvide brandmænd, i et forsøg på at undgå uensartet påvirkning ansvar i en potentiel retssag af sort og Spansktalende brandmænd, der uforholdsmæssigt undladt de nødvendige tests for at fremme den., Selv om retten i denne sag ikke nåede det forfatningsmæssige spørgsmål, Justice Scalia”s samstemmende udtalelse foreslog brandvæsenet også krænket den forfatningsmæssige ret til lige beskyttelse. Allerede før Ricci har lavere føderale domstole truffet afgørelse om, at handlinger, der er truffet for at undgå potentielt uensartet påvirkningsansvar, krænker den forfatningsmæssige ret til lige beskyttelse. Et sådant tilfælde er Biondo v. City of Chicago, Illinois, fra det syvende kredsløb.

i 2013 indgav e v.ual Employment Opportunity Commission (EEOC) en sag, EEOC v., FREEMAN, mod brug af typisk kriminel baggrund og kreditcheck under ansættelsesprocessen. Samtidig indrømme, at der er mange legitime og race-neutral årsager til arbejdsgivere til at frasortere dømte kriminelle og debitorer, den EEOC teorien om, at denne praksis er diskriminerende, fordi mindretal i USA er mere tilbøjelige til at blive kriminelle, med dårlig kredit historie end hvide Amerikanere. Ergo, arbejdsgivere bør have til at omfatte kriminelle og debitorer i deres ansættelse. I dette tilfælde U. S., Distriktsdommer Roger Titus regerede fast mod den uensartede påvirkningsteori, om, at EEOCS handling havde været”en teori på jagt efter fakta til støtte for den.””Ved at bringe aktioner af denne art, den EEOC har lagt mange arbejdsgivere i “Hobson”s choice” for at ignorere kriminelle historie og kredit baggrund, og dermed udsætte sig selv for potentiel forpligtelse for kriminelle og bedrageriske handlinger, begået af ansatte, der på den ene side, eller at pådrage sig den vrede EEOC for at have brugt oplysninger, som anses for grundlæggende ved de fleste arbejdsgivere. Noget mere…, skal udnyttes til at retfærdiggøre en uensartet indvirkning krav baseret på kriminel historie og kredit kontrol. At kræve mindre, ville være at fordømme brugen af sund fornuft, og det er simpelthen ikke, hvad landets love kræver.”

Thomas so .ell har hævdet, at det er en logisk fejl at antage, at forskelle i resultater skyldes forskelsbehandling.,ematical analyse af:

1. tærsklen effekt af forskelle for at antage, at forskelsbehandling har fundet sted
2. Hvis korrektion for konfunderende variable i en regression model fandt sted og blev anvendt korrekt

Effekt størrelse thresholdEdit

Vi er i stand til at konvertere mellem effekt størrelse ved hjælp af relationer:

hvor d {\displaystyle d} er Cohen”s d, ELLER {\displaystyle {\text{ELLER}}} er odds ratio, p {\displaystyle \rho } er Pearsons korrelation, og Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} er den standard normale kumulative fordelingsfunktion., Bestemmelseskoefficienten R 2 {\displaystyle R^{2}} er kvadratet af korrelationen. Udtrykket P ( X > Y ) {\displaystyle \mathbb {P} (X>Y)} er sandsynligheden for, at et medlem af gruppe X {\displaystyle X} opnår en score på mere end et medlem af gruppe Y {\displaystyle Y} ., For et sæt odds-forhold, som ofte bruges til at bestemme, om der er en forskellig effekt, kan vi konvertere mellem effektstørrelser som sådan:

Ved hjælp af disse forskellige mål for effektstørrelse er vi i stand til kvantitativt at bestemme størrelsen på et hul baseret på flere almindelige fortolkninger., Især, vi kan fortolke effekten størrelse som:

• mængden af forklaret variation (determinationskoefficienten)
• forskellen i form af standardafvigelser (Cohen”s d)
• sandsynligheden for, at en større score

Hvis vi tager 80% – reglen at gælde, via odds ratio, dette indebærer, at tærsklen odds ratio for at antage, at forskelsbehandling er 1.25 – de andre foranstaltninger, som af effekt størrelse er derfor:

Dette indebærer, at forskelsbehandling, der formodes at eksistere, hvis 0,4% af variationen i resultater er forklaret, og der er en 0.123 standardafvigelse forskel mellem de to grupper. Begge disse mængder er små nok til, at der er betydelige bekymringer for at finde falske positive tilfælde af forskelsbehandling på et uacceptabelt niveau.

en større tærskel for at antage, at forskelle skyldes forskelsbehandling, såsom et oddsforhold på 2-3, er mindre tilbøjelige til at have falske positiver.,

Confounding og regressionsanalyseredit

en anden bekymring for at bruge forskellige virkninger er, at forskelle kan påvirkes af underliggende variabler, kaldet confounders, hvilket ville betyde, at forskellen skyldes underliggende forskelle, der ikke er baseret på gruppemedlemskab., For eksempel, alle af følgende forskelle:

• Kvinder har tendens til at være underrepræsenteret blandt brandmænd
  • Dette førte New York City til at droppe sin fysiske-færdigheder test for prøvetid brandmænd
• Kvinder kørsel til Uber tendens til at være mindre i løn end mænd
• Sort mænd tegner sig for en uforholdsmæssig stor andel af Amerikanere blev dræbt af politiet

Det er muligt, at alle disse forskelle er på grund af diskrimination, men regressionsanalyse giver os mulighed for at tage højde for variable, der kan forklare forskellene., Antag f.eks., at vi forsøger at undersøge, om en lønforskel mellem to grupper skyldes forskelsbehandling eller ej. Så kan vi konstruere en multipel regressionsmodel til at betale y {\displaystyle y} som:

hvor x-jeg {\displaystyle x_{i}} er de konfunderende variable, G ∈ { 0 , 1 } {\displaystyle G\i \{0,1\}} er dikotome variable, der angiver medlemskab af en gruppe, og ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim {\mathcal {N}}(0,\sigma ^{2})} er en normalfordelt stokastisk variabel., Efter korrektion for de potentielt forvirrende variabler i en regressionsmodel, bør vi være i stand til at fortælle, om der stadig er en indvirkning af gruppemedlemskab på mængden af interesse. Hvis vi ikke har udeladt noget vigtigt konfunderende variable, og ikke er involveret i p-hacking, så er en statistisk signifikant | γ | > 0 {\displaystyle |\y |>0} tyder på en meget god mulighed for positiv eller negativ forskelsbehandling.,

Kredser tilbage til vores tre eksempler, der er plausible forklaringer for alle de forskelle, der var på listen:

• Brandmænd bør være fysisk stærk, og kvinder har en tendens til ikke at være så stærke som mænd
• Blandt Uber-drivere, 7% lønforskel mellem mænd og kvinder var forklares ved tre faktorer:
  • Hvor og hvornår rides stammer fra (dvs, tid og sted)
  • Mængden af driver erfaringer
  • kørehastighed
• Mens forskelle i brug af mindre-end-dødbringende kraft, der stadig eksisterer efter tegner sig for konfunderende variable, der ikke synes at være nogen sammenhæng mellem race og dødbringende kraft, når konfoundere er taget højde

Som det kan ses af disse eksempler, forskellene ikke nødvendigvis er udtryk for forskelsbehandling. Det er vigtigt at tage højde for alle relevante variabler, når man undersøger, om der er forskelsbehandling mellem to eller flere grupper eller ej.