Hajanainen vaikutus

vastuun hajanainen vaikutusteoria on kiistanalainen useista syistä. Ensinnäkin, se leimaa tiettyjä tahattomia vaikutuksia, kuten ”syrjivä”, vaikka syrjintä on yleensä tahallinen teko. Toinen teoria on jännitystä kanssa erilaisia hoito-määräysten mukaisesti, kansalaisoikeudet lait sekä Perustuslaki”s yhdenvertaisen suojan. Esimerkiksi, jos hypoteettinen palokunta edellä käytetty 100-kiloinen vaatimus, että politiikka saattaa suhteettoman jättää nainen työnhakijoiden työelämästä., Alle 80% sääntö edellä on mainittu, onnistunut naispuolisia työnhakijoita olisi fumus boni juris erilaisia vaikutuksia ”syrjintä” vastaan osastolle, jos he kulkivat 100-kiloinen testi nopeudella alle 80% nopeus, jolla miehet läpäissyt testin. Jotta voidaan välttää oikeusjuttu naisten työnhakijoita, osasto voi kieltäytyä palkata ketään sen kantaja—allas-toisin sanoen, osasto voi kieltäytyä palkata ketään, koska liian monet onnistunut työnhakijoista oli miehiä., Näin ollen työnantaja olisi tarkoituksella syrjitään onnistunut miespuolisia työnhakijoita, koska niiden sukupuoli, ja että todennäköisesti määriä laitonta syrjintää ja rikkoo Perustuslakia”s oikeus tasavertaiseen suojaan. Vuonna 2009 case Ricci v. Stefanosta, YHDYSVALTAIN Korkein oikeus teki sääntö, että palokunta on sitoutunut laittoman erilaisia hoito kieltäytymällä edistää valkoinen palomiehiä, jolla pyritään välttämään erilaisia vaikutuksia vastuuta mahdollinen oikeusjuttu jonka musta ja Hispanic palomiehiä, jotka suhteettoman läpäissyt vaaditut testit edistämiseen., Vaikka Tuomioistuin tässä tapauksessa ei päästä perustuslaillinen kysymys, Oikeus Scalia”s puoltava lausunto ehdotti palokunta rikkoi myös perustuslaillinen oikeus tasavertaiseen suojaan. Jo ennen Ricciä alemmissa liittovaltion tuomioistuimissa on päätetty, että mahdollisten erilaisten vaikutusten välttämiseksi toteutetut toimet rikkovat perustuslaillista oikeutta yhdenvertaiseen suojeluun. Yksi tällainen tapaus on Biondo v. City of Chicago, Illinois, seitsemänneltä radalta.

Vuonna 2013, Equal Employment Opportunity Komissio (EEOC) jätti puku, EEOC v., FREEMAN, vastoin tyypillisten rikostaustan ja luottotarkastusten käyttöä palkkausprosessin aikana. Vaikka myönnetäänkin, että on olemassa monia laillisia ja rotu neutraali syistä työnantajille seuloa rikollisia ja velallisten EEOC esitetty teoria, että tämä käytäntö on syrjivää, koska vähemmistöt YHDYSVALLOISSA ovat todennäköisesti tuomittuja rikollisia, joilla on huono luotto historia kuin valkoiset Amerikkalaiset. Työnantajien pitäisi siis ottaa rikolliset ja velalliset mukaan palkkaukseen. Tässä tapauksessa U. S., Käräjätuomari Roger Titus hallitsi tiukasti vastaan erilaisia vaikutuksia teoria, jossa todetaan, että EEOC”s toiminta oli ollut ”teoria etsimään tosiasiat tukemaan sitä.””Tuomalla toimia tämän luonto, EEOC on asettanut monet työnantajat ”Hobson”s choice” unohdetaan rikollinen historia ja luotto tausta, mikä altistaa itsensä mahdollisesta vastuusta rikos-ja vilpillisistä teoista työntekijät, toisaalta, tai aiheutuu vihan EEOC ottaa hyödyntää tietoja katsotaan olennainen useimmat työnantajat. Jotain muuta…, on käytetty perustelemaan erilaisia vaikutuksia väite perustuu rikollinen historia ja luotto tarkastuksia. Vaatimalla vähemmän olisi tuomittava maalaisjärjen käyttö, eikä tämän maan lait yksinkertaisesti sitä vaadi.”

Thomas Sowell on todennut, että olettaen, että erot tuloksissa johtuvat syrjinnästä on looginen virhepäätelmä.,ematical analyysi:

1. kynnys vaikutus koko erojen olettaa, että syrjintää on tapahtunut
2. Jos korjaus sekoittavia muuttujia regressiomalliin toteutettiin ja sovellettiin asianmukaisesti

Vaikutus koko thresholdEdit

Voimme muuntaa eri toimenpiteiden vaikutuksia koko käyttämällä suhteita:

, missä d {\displaystyle d} on Cohen”s, d, TAI {\displaystyle {\text{TAI}}} on odds ratio, ρ {\displaystyle \rho } on Pearsonin korrelaatio, ja Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} on standardoidun normaalijakauman kertymäfunktio., Selitysaste R 2 {\displaystyle R^{2}} on neliön korrelaatio. Termi P ( X > Y ) {\displaystyle \mathbb {P} (X>Y)} on todennäköisyys, että jäsen ryhmä-X {\displaystyle X} saa pisteet suurempi kuin ryhmän Y {\displaystyle Y} ., Joukko kertoimet suhdeluvut, joka on usein käytetään määrittämään, jos on erilaisia vaikutuksia, voimme muuntaa vaikutus koot kuten:

Käyttämällä näitä eri toimenpiteiden vaikutus koko, voimme kvantitatiivisesti määrittää koko aukon, joka perustuu useita yhteisiä tulkintoja., Erityisesti, me voi tulkita vaikutus koko kuin:

• määrä selitti vaihtelua (selitysaste)
• ero kannalta keskihajonnat (Cohen”s d)
• todennäköisyys suurempi pisteet

Jos otamme 80% sääntöä sovelletaan kautta, odds ratio, tämä merkitsee sitä, että kynnys kertoimet suhde olettaen, että syrjintä on 1.25 – muut toimenpiteet, jotka vaikuttavat koko on siis:

Tämä merkitsee sitä, että syrjintää katsotaan olevan olemassa, jos 0,4% vaihtelu tuloksia on selitetty ja on 0.123 keskihajonta ero kahden ryhmän välillä. Molemmat määrät ovat niin pieniä, että väärien myönteisten syrjintätapausten toteaminen ei ole hyväksyttävää.

suurempi kynnys olettaa, että erot johtuvat syrjinnästä, kuten kertoimet suhde 2-3, on vähemmän todennäköisesti saada vääriä positiivisia.,

Sekoittavia ja regressio analysisEdit

toinen huolenaihe käyttää erilaisia vaikutus on, että erot voivat vaikuttaa taustalla olevia muuttujia, kutsutaan sekoit tavista tekijöistä, mikä merkitsisi, että ero johtuu taustalla olevan eroja, jotka eivät ole perustuu ryhmän jäsenyys., Esimerkiksi kaikki seuraavat eroja:

• Naiset ovat yleensä aliedustettuina keskuudessa palomiehet
  • Tämä johti New York City pudottaa sen fyysinen-taitoja testi koeajan palomiehet
• Naiset ajaa Uber ovat yleensä vähemmän palkkaa kuin miehet
• Musta miesten osuus on suhteettoman suuri osuus Amerikkalaiset tappoivat poliiseja

On mahdollista, että kaikki nämä erot johtuvat syrjinnästä, mutta regressioanalyysin avulla voimme ottaa huomioon muuttujia, jotka saattavat selittää eroja., Oletetaan esimerkiksi, että yritämme selvittää, johtuuko kahden ryhmän välinen palkkaero syrjinnästä vai ei. Sitten voimme rakentaa useita regressio malli maksaa y {\displaystyle y} seuraavasti:

, missä x i {\displaystyle x_{i}} ovat sekoittavia muuttujia, G ∈ { 0 , 1 } {\displaystyle G\in \{0,1\}} on dikotominen muuttuja, joka osoittaa, ryhmän jäsenyys, ja ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim – {\mathcal {N}}(0,\sigma ^{2})} on normaalisti jakautunut satunnaismuuttuja., Korjauksen jälkeen mahdollisesti sekoittavia muuttujia regressiomalliin, meidän pitäisi pystyä kertomaan, jos siellä on edelleen vaikutusta ryhmän jäsenyyden määrä kiinnostusta. Jos emme ole jätetty pois mitään tärkeitä sekoittavia muuttujia ja ole mukana p-hakkerointi, niin tilastollisesti merkittävä | γ | > 0 {\displaystyle |\gamma |>0} viittaa siihen erittäin hyvä mahdollisuus, positiivinen tai negatiivinen syrjintä.,

Kiertää takaisin meidän kolme esimerkkiä, on olemassa uskottavia selityksiä kaikki erot, jotka olivat listattu:

• Palomiehet pitäisi olla fyysisesti vahva, ja naiset eivät ole yhtä vahvoja kuin miehet
• Yksi Uber kuljettajat, 7%: n palkkaero miesten ja naisten välillä oli selittää kolme tekijää:
  • Missä ja milloin ratsastaa peräisin (ts., aika ja sijainti)
  • Määrä driver kokemus
  • Ajo nopeus
• Kun erot käyttää vähemmän-kuin-tappava voima on edelleen olemassa sen jälkeen, kun osuus sekoittavia muuttujia, ei näyttäisi olevan mitään suhdetta rotuun ja tappava voima, kun sekoit tavista tekijöistä otetaan huomioon

Kuten voidaan nähdä näistä esimerkeistä, erot eivät välttämättä tarkoita syrjintää. On tärkeää ottaa huomioon kaikki merkitykselliset muuttujat tutkiessaan, onko kahden tai useamman ryhmän välillä syrjintää.