Eltérő hatás

a felelősség eltérő hatáselmélete több okból is ellentmondásos. Először is, bizonyos nem szándékos hatásokat “diszkriminatívnak” nevez, bár a megkülönböztetés általában szándékos cselekmény. Másodszor, az elmélet feszültség eltérő kezelési rendelkezések polgári jogi törvények, valamint az amerikai alkotmány garanciája az egyenlő védelem. Például, ha a fent tárgyalt hipotetikus tűzoltóság a 100 font követelményt alkalmazta, akkor ez a politika aránytalanul kizárhatja a női álláskeresőket a foglalkoztatásból., A fent említett 80% – os szabály szerint a sikertelen női álláspályázóknak prima facie-esetük lenne az osztály elleni eltérő hatású “diszkrimináció” esetén, ha a 100 fontos tesztet a férfiak vizsgájának 80%-ánál alacsonyabb ütemben teljesítik. Annak érdekében, hogy elkerüljék a pert a női álláskeresők, az osztály megtagadhatja felvenni senkit a kérelmező medence—más szóval, az osztály megtagadhatja felvenni senkit, mert túl sok a sikeres álláskeresők voltak férfi., Így a munkáltató szándékosan diszkriminálta volna a sikeres férfi álláskeresőket a nemük miatt, ami valószínűleg jogellenes eltérő bánásmódot és az Alkotmány egyenlő védelemhez való jogát sértené. A 2009-es eset Ricci v. DeStefano, a Legfelsőbb Bíróság volt olyan szabály, hogy a tűzoltóság elkövetett illegális eltérő kezelést visszautasítja, hogy támogassák fehér tűzoltók, annak érdekében, hogy elkerüljük a különböző hatást nem vállal felelősséget semmilyen esetleges pert, amelyet a fekete-Spanyol tűzoltók, akik aránytalanul nem sikerült a szükséges vizsgálatok támogatása., Bár a bíróság ebben az ügyben nem jutott el az alkotmányossági kérdéshez, Scalia bíró egybehangzó véleménye szerint a tűzoltóság is megsértette az egyenlő védelemhez való alkotmányos jogot. Az alacsonyabb szövetségi bíróságok még a Ricci előtt is úgy döntöttek, hogy az esetleges eltérő hatású felelősség elkerülése érdekében hozott intézkedések sértik az egyenlő védelemhez való alkotmányos jogot. Az egyik ilyen eset Biondo v. Chicago városa, Illinois, a hetedik körből.

2013 – ban az Equal Employment Opportunity Commission (EEOC) pert indított az EEOC v., FREEMAN, a tipikus bűnügyi háttér és hitelellenőrzések alkalmazása ellen a felvételi eljárás során. Miközben elismeri, hogy számos legitim és faji szempontból semleges ok van arra, hogy a munkáltatók kiszűrjék az elítélt bűnözőket és adósokat, az EEOC azt az elméletet mutatta be, hogy ez a gyakorlat diszkriminatív, mivel az Egyesült Államokban a kisebbségeket nagyobb valószínűséggel ítélik el rossz hiteltörténetű bűnözők, mint a fehér amerikaiak. Ergo, a munkáltatóknak be kell vonniuk a bűnözőket és az adósokat a felvételükbe. Ebben az esetben az Egyesült Államokban., Kerületi bíró Roger Titus határozottan ellenezte a különböző hatáselmélet, amely kimondja,hogy EEOC akció volt ” egy elmélet keresve tények alátámasztására.””Azáltal, hogy a cselekvés a természet, a EEOC helyezte sok munkaadó a “Hobson”s döntés” figyelmen kívül hagyja bűnügyi története, hitel háttérben, így kiteszik magukat potenciális felelősséget a büntető -, mind csalárd elkövetett által alkalmazott, az egyik kezét, vagy a haragját a EEOC, hogy hasznosítható információ alapvető által a legtöbb munkáltató. Még valami…, a bűnügyi előzmények és hitelellenőrzések alapján eltérő hatáskövetelés igazolására kell felhasználni. Ha kevesebbre lenne szükség, az a józan ész használatának elítélése lenne, és ez egyszerűen nem az, amit az ország törvényei megkövetelnek.”

Thomas Sowell azzal érvelt, hogy logikus tévedés feltételezni, hogy az eredmények egyenlőtlenségét a megkülönböztetés okozza.,ematical elemzése:

1. A küszöb hatás méret egyenlőtlenségek feltételezzük, hogy diszkrimináció történt
2. Ha a korrekció a zavaró változók regressziós modell került sor volt megfelelő alkalmazása

Hatás méret thresholdEdit

Vagyunk képesek átalakítani között intézkedések hatása méret használja a kapcsolatok:

ahol a d {\displaystyle d} az Cohen”s d, VAGY {\displaystyle {\text {, VAGY}}} az esélyhányados, ρ {\displaystyle \rho } a Pearson korrelációs, illetve Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} a standard normális eloszlásfüggvényt., Az R 2 {\displaystyle R^{2}} meghatározási együttható a korreláció négyzete. A P ( X > Y ) {\displaystyle \mathbb {P} (X>Y)} kifejezés annak a valószínűsége, hogy az X csoport tagja {\displaystyle X} nagyobb pontszámot kap, mint az Y csoport tagja {\displaystyle Y} ., Egy sor odds arányok, amelyet gyakran használnak annak meghatározására, hogy van egy eltérő hatást, mi lehet átalakítani közötti hatás méretben, mint olyan:

ezekkel a különböző intézkedések a hatás mérete, képesek vagyunk kvantitatív módon meghatározni a méret a különbség alapján több közös értelmezések., Nevezetesen, lehet, hogy értelmezze a hatása akkora, mint:

• Az összeg magyarázta módosítás (determinációs együttható)
• A különbség szempontjából szórás (Cohen”s d)
• A valószínűsége, hogy egy nagyobb pontszám

Ha a 80% – os szabályt kell alkalmazni keresztül az esélyhányados, ez azt jelenti, hogy a küszöb esélye arányt feltételezve, megkülönböztetés 1.25 – az egyéb intézkedések hatása méret ezért:

ez azt jelenti, hogy a diszkrimináció vélelmezhető, ha az eredmények változásának 0,4% – át magyarázzák, és két csoport között 0,123 szóráskülönbség van. Mindkét mennyiség elég kicsi ahhoz, hogy jelentős aggodalmak merüljenek fel a diszkrimináció hamis pozitív eseteinek elfogadhatatlan szintű megállapításával kapcsolatban.

egy nagyobb küszöbérték, amely feltételezi, hogy az egyenlőtlenségek a diszkrimináció miatt következnek be, például egy 2-3-as esélyarány, kevésbé valószínű, hogy hamis pozitív.,

Zavaró, illetve regresszió analysisEdit

A második aggályos a használata eltérő hatása, hogy a különbségek hatással lehet a mögöttes változók, az úgynevezett confounders, ami azt jelentené, hogy a különbség oka, hogy a mögöttes különbségek, amelyek nem arra épült, hogy a csoport tagsága., Például, a következő eltérések vannak:

• a Nők általában alulreprezentált között a tűzoltók
  • Ez a led-es New York-i, hogy csökken a fizikai képességek teszt próbaidős tűzoltók
• a Nők vezetés Über általában kevesebbet, mint a férfiak
• Fekete férfi véve aránytalanul nagy részét az Amerikaiak megölték a rendőrök

Lehetséges, hogy ezek a különbségek miatt hátrányos megkülönböztetés, de regressziós elemzés lehetővé teszi számunkra, hogy figyelembe változók lehet magyarázni a különbségeket., Tegyük fel például, hogy megpróbáljuk megvizsgálni, hogy a két csoport közötti fizetési különbség a diszkrimináció következménye-e vagy sem. Aztán lehet építeni egy többszörös regressziós modell fizetni y {\displaystyle y} mint:

ahol a x i {\displaystyle x_{i}} a zavaró változók, G ∈ { 0 , 1 } {\displaystyle G\a \{0,1\}} egy dichotomous változó jelzi a csoport tagsága, valamint ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim {\mathcal {N}}(0,\sigma ^{2})} egy normális eloszlású véletlen változó., A regressziós modell potenciálisan zavaró változóinak korrekciója után meg kell tudnunk mondani, hogy a csoporttagság továbbra is hatással van-e a kamat mennyiségére. Ha nem hagytunk ki fontos zavaró változókat, és nem vettünk részt p-hackelésben, akkor statisztikailag szignifikáns | γ | > 0 {\displaystyle |\gamma |>0} a pozitív vagy negatív diszkrimináció nagyon jó lehetőségét sugallja.,

vissza a három példánkhoz, vannak hihető magyarázatok az összes felsorolt egyenlőtlenségre:

• a tűzoltóknak fizikailag erősnek kell lenniük, és a nők általában nem olyan erősek, mint a férfiak
• az Uber sofőrök között a férfiak és a nők közötti 7% – os bérkülönbséget három tényezővel magyarázták:
  • Honnan és mikor származnak a túrák (azaz.,, idő, hely)
  • Mennyiségű vezető tapasztalat
  • Vezetési sebesség
• Míg különbségek használata kevesebb-mint-halálos erő még mindig létezik után számviteli zavaró változók, nem tűnik úgy, mintha a kapcsolatunk közötti versenyt, valamint halálos erő egyszer confounders figyelembe

Mint látható, ezek a példák, különbségek nem feltétlenül jelenti azt, megkülönböztetés. Fontos figyelembe venni az összes releváns változót annak vizsgálata során, hogy létezik-e megkülönböztetés két vagy több csoport között.