Disparate impact

Die Disparate Impact Theorie der Haftung ist aus mehreren Gründen umstritten. Erstens kennzeichnet es bestimmte unbeabsichtigte Auswirkungen als“ diskriminierend“, obwohl Diskriminierung normalerweise eine absichtliche Handlung ist. Zweitens ist die Theorie in Spannung mit unterschiedlichen Behandlung Bestimmungen unter Bürgerrechtsgesetzen sowie der US-Verfassung Garantie des gleichen Schutzes. Wenn beispielsweise die oben diskutierte hypothetische Feuerwehr die 100-Pfund-Anforderung verwendete, könnte diese Politik weibliche Bewerber überproportional von der Beschäftigung ausschließen., Nach der oben genannten 80% – Regel hätten erfolglose weibliche Bewerber eine prima facie Fall unterschiedlicher Auswirkungen „Diskriminierung“ gegen die Abteilung, wenn sie den 100-Pfund-Test mit einer Rate von weniger als 80% der Rate bestanden hätten, mit der Männer den Test bestanden haben. Um eine Klage der weiblichen Bewerber zu vermeiden, Die Abteilung könnte sich weigern, jemanden aus ihrem Bewerberpool einzustellen—mit anderen Worten, Die Abteilung kann sich weigern, jemanden einzustellen, weil zu viele der erfolgreichen Bewerber männlich waren., Somit, der Arbeitgeber hätte absichtlich gegen die erfolgreichen männlichen Bewerber wegen ihres Geschlechts diskriminiert, und das bedeutet wahrscheinlich illegale Ungleichbehandlung und eine Verletzung des Rechts der Verfassung auf gleichen Schutz. Im Fall Ricci v. DeStefano aus dem Jahr 2009 entschied der Oberste Gerichtshof der USA, dass eine Feuerwehr eine illegale Ungleichbehandlung begangen habe, indem sie sich geweigert habe, weiße Feuerwehrleute zu fördern, um in einer möglichen Klage unterschiedliche Auswirkungen zu vermeiden schwarze und hispanische Feuerwehrleute, die die erforderlichen Tests für die Beförderung unverhältnismäßig nicht bestanden haben., Obwohl das Gericht in diesem Fall die Verfassungsfrage nicht erreichte, schlug Justice Scalias übereinstimmende Meinung vor, dass die Feuerwehr auch das verfassungsmäßige Recht auf gleichen Schutz verletzte. Noch vor Ricci haben die unteren Bundesgerichte entschieden, dass Maßnahmen zur Vermeidung potenzieller unterschiedlicher Auswirkungen das verfassungsmäßige Recht auf gleichen Schutz verletzen. Ein solcher Fall ist Biondo v. Stadt Chicago, Illinois, von der siebten Schaltung.

Im Jahr 2013 reichte die Equal Employment Opportunity Commission (EEOC) Klage ein, EEOC v., FREEMAN, gegen die Verwendung von typischen kriminellen Hintergrund und Bonitätsprüfungen während des Einstellungsprozesses. Während das EEOC zugab, dass es viele legitime und rassenneutrale Gründe für Arbeitgeber gibt, verurteilte Kriminelle und Schuldner auszuschalten, stellte es die Theorie vor, dass diese Praxis diskriminierend ist, da Minderheiten in den USA eher verurteilte Kriminelle mit schlechter Bonität sind als weiße Amerikaner. Ergo sollten Arbeitgeber Kriminelle und Schuldner in ihre Einstellung einbeziehen müssen. In this instance U. S., Bezirksrichter Roger Titus entschieden fest gegen die disparate Impact-Theorie, besagt, dass EEOC Aktion gewesen war“eine Theorie auf der Suche nach Fakten, um es zu unterstützen.“Durch Aktionen dieser Art zu bringen, hat die EEOC viele Arbeitgeber in der „Hobson Wahl“gesetzt Kriminalgeschichte und Kredit-Hintergrund zu ignorieren,so dass sie sich auf mögliche Haftung für kriminelle und betrügerische Handlungen von Mitarbeitern begangen aussetzen, auf der einen Seite, oder den Zorn der EEOC für die Nutzung von Informationen als grundlegend von den meisten Arbeitgebern. Etwas mehr…, muss verwendet werden, um eine unterschiedliche Auswirkungen Anspruch auf der Grundlage der Vorgeschichte und Bonitätsprüfungen zu rechtfertigen. Weniger zu verlangen, wäre, den Gebrauch des gesunden Menschenverstandes zu verurteilen, und das ist einfach nicht das, was die Gesetze dieses Landes verlangen.“

Thomas Sowell hat argumentiert, dass die Annahme, dass Unterschiede in den Ergebnissen durch Diskriminierung verursacht werden, ein logischer Irrtum ist.,ematical analysis von:

1. Die Schwellenwert-Effekt Größe Unterschiede zu übernehmen, die Diskriminierung
2. Wenn die Korrektur für confounding-Variablen in einem Regressionsmodell statt und war entsprechend angewendet.

Effekt Größe thresholdEdit

Wir sind in der Lage zu konvertieren zwischen Maßnahmen der Effekt Größe mit Hilfe der Beziehungen:

, wo d {\displaystyle d} ist Cohen“s d, ODER {\displaystyle {\text{ODER}}} ist die odds ratio, ρ {\displaystyle \rho } ist die Pearson-Korrelation, und Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} ist die standard normal cumulative distribution function., Das Bestimmtheitsmaß R 2 {\displaystyle R^{2}} ist das Quadrat der Korrelation. Der Begriff P (X > Y ) {\displaystyle \mathbb {P} (X>Y)} ist die Wahrscheinlichkeit, dass ein Mitglied der Gruppe X {\displaystyle X} eine Punktzahl erhält, die größer ist als ein Mitglied der Gruppe Y {\displaystyle Y} ., Für eine Reihe von Odds Ratios, die häufig verwendet wird, um festzustellen, ob es eine unterschiedliche Auswirkung gibt, können wir zwischen Effektgrößen als solche konvertieren:

Mit diesen verschiedenen Maßen der Effektgröße können wir die Größe einer Lücke basierend auf mehreren gemeinsamen Interpretationen quantitativ bestimmen., Insbesondere können wir interpretieren die Effektstärke als:

• Die Höhe der varianzaufklärung (Bestimmtheitsmaß)
• Der Unterschied in Standardabweichungen (Cohen“s d).
• Die Wahrscheinlichkeit, eine höhere Punktzahl

Wenn wir die 80% – Regel zu gelten, über die odds ratio, dies bedeutet, dass die Schwelle odds ratio für die übernahme von Diskriminierung 1,25 – auch die anderen Maßnahmen Wirkung Größe sind daher:

Dies impliziert, dass eine Diskriminierung vermutet wird, wenn 0.4% der Variation der Ergebnisse erklärt wird und es einen 0.123-Standardabweichungsunterschied zwischen zwei Gruppen gibt. Beide Mengen sind so gering, dass erhebliche Bedenken bestehen, falsch positive Fälle von Diskriminierung auf einem inakzeptablen Niveau zu finden.

Eine größere Schwelle für die Annahme, dass Unterschiede auf Diskriminierung zurückzuführen sind, wie z. B. ein Odds Ratio von 2-3, ist weniger wahrscheinlich falsch positiv.,

Verwirrungs – und Regressionsanalysedit

Ein zweites Problem bei der Verwendung unterschiedlicher Auswirkungen besteht darin, dass Disparitäten durch zugrunde liegende Variablen, sogenannte Confounders, beeinflusst werden können, was bedeuten würde, dass die Disparität auf zugrunde liegende Unterschiede zurückzuführen ist, die nicht für die Gruppenmitgliedschaft prädiziert sind., Zum Beispiel gibt es alle folgenden Unterschiede:

• Frauen neigen dazu, unter Feuerwehrleuten unterrepräsentiert zu sein
  • Dies führte dazu, dass New York City seinen körperlichen Fähigkeitstest für Feuerwehrleute auf Probe abbrach
• Frauen, die für Uber fahren, werden tendenziell weniger bezahlt als Männer
• Schwarze Männer machen einen unverhältnismäßigen Anteil der Amerikaner aus, die von Polizisten getötet wurden

Es ist möglich, dass all diese Unterschiede sind auf Diskriminierung zurückzuführen, aber die Regressionsanalyse ermöglicht es uns, Variablen zu berücksichtigen, die Unterschiede erklären können., Nehmen wir zum Beispiel an, wir versuchen zu untersuchen, ob ein Lohngefälle zwischen zwei Gruppen auf Diskriminierung zurückzuführen ist oder nicht. Dann können wir ein multiples Regressionsmodell für pay y {\displaystyle y} wie folgt erstellen:

wobei x i {\displaystyle x_{i}} die verwirrenden Variablen sind, G ∈ { 0, 1 } {\displaystyle G\in \{0,1\}} eine dichotome Variable ist, die die Gruppenmitgliedschaft angibt, und ϵ ∼ N (0 , σ 2) {\displaystyle \ epsilon \ sim {\mathcal {N}} (0, \ sigma ^ {2})} ist eine normal verteilte Zufallsvariable., Nach der Korrektur der potenziell verwirrenden Variablen in einem Regressionsmodell sollten wir feststellen können, ob sich die Gruppenmitgliedschaft noch auf die Menge des Interesses auswirkt. Wenn wir keine wichtigen störenden Variablen ausgelassen und kein p-Hacking durchgeführt haben, deutet ein statistisch signifikanter | γ | > 0 {\displaystyle |\gamma |>0} auf eine sehr gute Möglichkeit einer positiven oder negativen Diskriminierung hin.,

Zurück zu unseren drei Beispielen gibt es plausible Erklärungen für alle aufgeführten Unterschiede:

• Feuerwehrleute sollten körperlich stark sein, und Frauen neigen dazu, nicht so stark zu sein wie Männer
• Unter Uber-Fahrern wurde ein Lohngefälle von 7% zwischen Männern und Frauen durch drei Faktoren erklärt:
  • Woher und wann Fahrten stammen (d. H. Wenn, Zeit und Ort)
  • Umfang der Fahrerfahrung
  • Fahrgeschwindigkeit
• Während Unterschiede bei der Verwendung von weniger als tödlicher Kraft nach Berücksichtigung von verwirrenden Variablen immer noch bestehen, scheint es keinen Zusammenhang zwischen Rasse und tödlicher Kraft zu geben, sobald verwirrende Faktoren berücksichtigt werden

Wie aus diesen Beispielen ersichtlich ist, implizieren Unterschiede nicht notwendigerweise Diskriminierung. Es ist wichtig, alle relevanten Variablen zu berücksichtigen, wenn untersucht wird, ob zwischen zwei oder mehr Gruppen eine Diskriminierung besteht oder nicht.