Impatto disparato

La teoria dell’impatto disparata della responsabilità è controversa per diversi motivi. In primo luogo, etichetta alcuni effetti indesiderati come “discriminatori”, sebbene la discriminazione sia normalmente un atto intenzionale. In secondo luogo, la teoria è in tensione con disparate disposizioni di trattamento ai sensi delle leggi sui diritti civili, nonché la garanzia della Costituzione degli Stati Uniti di uguale protezione. Ad esempio, se l’ipotetico vigili del fuoco discusso sopra ha utilizzato il requisito di 100 libbre, tale politica potrebbe escludere in modo sproporzionato i candidati di lavoro femminile dall’occupazione., Sotto la regola dell ‘ 80% di cui sopra, i candidati di lavoro femminile non riusciti avrebbero un caso prima facie di “discriminazione” di impatto disparata contro il dipartimento se avessero superato il test di 100 libbre ad un tasso inferiore all ‘ 80% del tasso con cui gli uomini hanno superato il test. Al fine di evitare una causa da parte dei candidati di lavoro femminile, il dipartimento potrebbe rifiutarsi di assumere chiunque dal suo pool di candidati—in altre parole, il dipartimento può rifiutarsi di assumere chiunque perché troppi dei candidati di lavoro di successo erano di sesso maschile., Così, il datore di lavoro avrebbe intenzionalmente discriminato i candidati di lavoro di sesso maschile di successo a causa del loro genere, e che probabilmente equivale a trattamento illegale disparate e una violazione del diritto della Costituzione alla pari protezione. Nel caso Ricci v. DeStefano del 2009, la Corte Suprema degli Stati Uniti ha stabilito che un corpo dei vigili del fuoco ha commesso un trattamento disparato illegale rifiutando di promuovere i vigili del fuoco bianchi, nel tentativo di evitare una responsabilità di impatto disparata in una potenziale causa da parte dei vigili del fuoco neri e ispanici che hanno fallito in modo sproporzionato, Anche se la Corte in quel caso non ha raggiunto la questione costituzionale, parere concordante di Giustizia Scalia ha suggerito i vigili del fuoco anche violato il diritto costituzionale alla parità di protezione. Anche prima di Ricci, i tribunali federali inferiori hanno stabilito che le azioni intraprese per evitare potenziali responsabilità di impatto disparate violano il diritto costituzionale alla pari protezione. Uno di questi casi è Biondo v. Città di Chicago, Illinois, dal Settimo Circuito.

Nel 2013, la Equal Employment Opportunity Commission (EEOC) ha presentato una causa, EEOC v., FREEMAN, contro l’uso di tipico criminale-background e controlli di credito durante il processo di assunzione. Pur ammettendo che ci sono molte ragioni legittime e neutre per i datori di lavoro per escludere criminali e debitori condannati, l’EEOC ha presentato la teoria secondo cui questa pratica è discriminatoria perché le minoranze negli Stati Uniti hanno maggiori probabilità di essere criminali condannati con cattive storie di credito rispetto agli americani bianchi. Ergo, i datori di lavoro dovrebbero includere criminali e debitori nelle loro assunzioni. In questo caso U. S., Il giudice distrettuale Roger Titus ha stabilito fermamente contro la teoria dell”impatto disparata, affermando che l “azione di EEOC era stata” una teoria alla ricerca di fatti per sostenerlo.”Portando azioni di questa natura, l’EEOC ha posto molti datori di lavoro nella “scelta di Hobson”di ignorare la storia criminale e il background creditizio, esponendosi così a potenziali responsabilità per atti criminali e fraudolenti commessi dai dipendenti, da un lato, o incorrere nell’ira dell’EEOC per aver utilizzato informazioni ritenute fondamentali dalla maggior parte dei datori di lavoro. Qualcosa di più…, deve essere utilizzato per giustificare un reclamo impatto disparate sulla base di controlli di storia criminale e di credito. Richiedere meno, sarebbe condannare l’uso del buon senso, e questo non è semplicemente ciò che le leggi di questo paese richiedono.”

Thomas Sowell ha sostenuto che supponendo che le disparità nei risultati siano causate dalla discriminazione è un errore logico.,ematical analisi di:

1. La soglia di dimensione dell’effetto di disparità di assumere la discriminazione si è verificato
2. Se la correzione per le variabili confondenti in un modello di regressione ha avuto luogo ed è stato applicato in modo appropriato

dimensione dell’Effetto thresholdEdit

Siamo in grado di convertire tra le misure di dimensione dell’effetto mediante le relazioni:

d {\displaystyle d} è Cohen”s d, O {\displaystyle {\text{O}}} è l’odds ratio, ρ {\displaystyle \rho } è la correlazione di Pearson, e Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} è la funzione distribuzione cumulativa normale standard., Il coefficiente di determinazione R 2 {\displaystyle R ^ {2}} è il quadrato della correlazione. Il termine P (X > Y ) {\displaystyle \mathbb {P} (X>Y)} è la probabilità che un membro del gruppo X {\displaystyle X} ottenga un punteggio maggiore di un membro del gruppo Y {\displaystyle Y} ., Per un insieme di odds ratio, che viene spesso usato per determinare se c’è un impatto disparato, possiamo convertire tra le dimensioni degli effetti in quanto tali:

Usando queste diverse misure di dimensione dell’effetto, siamo in grado di determinare quantitativamente la dimensione di un gap in base a diverse interpretazioni comuni., In particolare, possiamo interpretare la dimensione dell’effetto, come:

• La quantità di variazione spiegata (coefficiente di determinazione)
• La differenza in termini di deviazioni standard (Cohen”s d)
• La probabilità di un punteggio superiore

Se prendiamo la regola dell’ 80% per applicare tramite l’odds ratio, questo implica che la soglia di odds ratio per l’assunzione di discriminazione è di 1,25 – le altre misure di dimensione dell’effetto, pertanto, sono:

Ciò implica che si presume che la discriminazione esista se viene spiegato lo 0,4% della variazione nei risultati e c’è una differenza di deviazione standard di 0,123 tra due gruppi. Entrambe queste quantità sono abbastanza piccole che ci sono preoccupazioni significative per trovare casi falsi positivi di discriminazione a un livello inaccettabile.

Una soglia maggiore per presumere che le disparità siano dovute a discriminazioni, come un odds ratio di 2-3, ha meno probabilità di avere falsi positivi.,

Analisi di confondimento e regressionemodifica

Una seconda preoccupazione dell’utilizzo di impatti disparati è che le disparità possono essere influenzate da variabili sottostanti, chiamate confondenti, il che implicherebbe che la disparità è dovuta a differenze sottostanti che non sono basate sull’appartenenza al gruppo., Per esempio, tutti i seguenti disparità:

• le Donne tendono ad essere sottorappresentate tra i vigili del fuoco
  • Questo ha portato a New York per rilasciare il suo fisico-competenze di test per la prova i vigili del fuoco
• le Donne di guida per Uber tendono ad essere pagate meno degli uomini
• gli uomini Neri rappresentano una quota sproporzionata di Americani uccisi da agenti di polizia

È possibile che tutte queste differenze sono dovute alla discriminazione, ma l’analisi di regressione permette di account per le variabili che possono spiegare le differenze., Ad esempio, supponiamo che stiamo tentando di indagare se una disparità retributiva tra due gruppi sia dovuta o meno a una discriminazione. Quindi, possiamo costruire un modello di regressione multipla per pagare y {\displaystyle y} come:

dove x, i {\displaystyle x_{i}} sono le variabili confondenti, G ∈ { 0 , 1 } {\displaystyle G\in \{0,1\}} è una variabile dicotomica che indica l’appartenenza al gruppo, e ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim {\mathcal {N}}(0,\sigma ^{2})} è distribuita normalmente variabile casuale., Dopo la correzione per le variabili potenzialmente confondenti in un modello di regressione, dovremmo essere in grado di dire se c’è ancora un impatto dell’appartenenza al gruppo sulla quantità di interesse. Se non abbiamo omesso alcuna variabile confondente importante e non siamo impegnati in p-hacking, allora un | γ | > 0 {\displaystyle | \ gamma/>0} suggerisce un’ottima possibilità di discriminazione positiva o negativa.,

Tornando ai nostri tre esempi, ci sono spiegazioni plausibili per tutte le disparità che sono state elencate:

• I vigili del fuoco dovrebbero essere fisicamente forti e le donne tendono a non essere forti come gli uomini
• Tra i conducenti Uber, un divario retributivo del 7% tra uomini e donne è stato spiegato da tre fattori:
  • ,, ora e luogo)
  • Quantità di driver experience
  • velocità di Guida
• Mentre le differenze nell’uso di meno-che-forza letale esistono ancora, dopo la contabilizzazione per le variabili di confondimento, non sembra esserci alcuna relazione tra razza e della forza letale una volta fattori di confondimento sono presi in considerazione

Come si può vedere da questi esempi, disparità non implica necessariamente la discriminazione. È importante tenere conto di tutte le variabili rilevanti quando si esamina se esiste o meno una discriminazione tra due o più gruppi.