Impacto díspar (Português)

a teoria do impacto díspar da responsabilidade é controversa por várias razões. Em primeiro lugar, qualifica certos efeitos não intencionais como “discriminatórios”, embora a discriminação seja normalmente um acto intencional. Em segundo lugar, a teoria está em tensão com disposições de tratamento díspares sob as leis de direitos civis, bem como a Garantia da Constituição dos EUA de igual proteção. Por exemplo, se os hipotéticos bombeiros acima referidos utilizassem o requisito de 100 libras, essa política poderia excluir desproporcionadamente do emprego as mulheres candidatas a emprego., De acordo com a regra dos 80% acima mencionada, as candidatas a emprego feminino vencidas teriam um caso prima facie de “discriminação” de impacto díspar contra o departamento se passassem no teste de 100 libras a uma taxa inferior a 80% da taxa a que os homens passaram no teste. A fim de evitar uma ação judicial por parte das candidatas a emprego do sexo feminino, o departamento pode recusar—se a contratar alguém de sua lista de candidatos-em outras palavras, o departamento pode se recusar a contratar alguém porque muitos dos candidatos a emprego bem sucedidos eram homens., Assim, o empregador teria intencionalmente discriminado os candidatos a emprego masculino bem sucedidos por causa de seu gênero, o que provavelmente equivale a um tratamento desigual ilegal e uma violação do direito da Constituição à igualdade de proteção. No caso de 2009 Ricci contra DeStefano, a Suprema Corte dos EUA determinou que um corpo de bombeiros cometeu tratamento diferenciado ilegal, recusando-se a promover bombeiros brancos, em um esforço para evitar uma responsabilidade de impacto díspar em uma ação judicial potencial por bombeiros negros e hispânicos que desproporcionalmente falharam os testes necessários para a promoção., Embora o Tribunal nesse caso não tenha chegado à questão constitucional, a opinião concordante da Justiça Scalia sugeriu que os bombeiros também violaram o direito constitucional à igual proteção. Mesmo antes de Ricci, os tribunais federais mais baixos decidiram que as ações tomadas para evitar uma potencial responsabilidade de impacto díspar violam o direito constitucional à igualdade de proteção. Um desses casos é Biondo v. City of Chicago, Illinois, do Sétimo Circuito.em 2013, a Equal Employment Opportunity Commission (EOC) apresentou um processo, EOC v., FREEMAN, contra o uso de antecedentes criminais típicos e verificações de crédito durante o processo de contratação. Embora admitindo que existem muitas razões legítimas e raciais para os empregadores para rastrear criminosos condenados e devedores, o EOC apresentou a teoria de que esta prática é discriminatória, porque as minorias nos EUA são mais propensos a serem criminosos condenados com histórias de crédito ruim do que os americanos brancos. Portanto, os empregadores devem incluir criminosos e devedores na sua contratação. = = Ligações externas = = , O juiz distrital Roger Titus decidiu firmemente contra a teoria do impacto díspar, afirmando que a ação da EOC tinha sido”uma teoria em busca de fatos para apoiá-la.””Trazendo ações dessa natureza, a EEOC tem colocado muitos empregadores no “Hobson”escolha” de se ignorar a história criminal e de crédito, plano de fundo, assim, expõe-se à eventual responsabilidade criminal e de atos fraudulentos cometidos por empregados, por um lado, ou de incorrer na ira do EEOC por ter utilizado informações consideradas fundamentais pela maioria dos empregadores. Algo mais…, deve ser utilizado para justificar um pedido de impacto díspar baseado no histórico criminal e verificações de crédito. Exigir menos seria condenar o uso do bom senso, e não é isso que as leis deste país exigem.”

Thomas Sowell argumentou que assumir que as disparidades nos resultados são causadas pela discriminação é uma falácia lógica.,ematical análise de:

1. O limite de tamanho de efeito de disparidades assumir a discriminação ocorreu
2. Se a correção para as variáveis de confusão em um modelo de regressão aconteceu e foi aplicado de forma adequada

tamanho do Efeito thresholdEdit

somos capazes de converter-se entre as medidas de tamanho de efeito usando as relações:

, onde d {\displaystyle d} é Cohen”a d o s, OU {\displaystyle {\text{OU}}} é o odds ratio, ρ {\displaystyle \rho } é o de correlação de Pearson, e Φ ( ⋅ ) {\displaystyle \Phi (\cdot )} é o padrão da função de distribuição cumulativa normal., O coeficiente de determinação R 2 {\displaystyle R^{2}} é o quadrado da correlação. O termo P ( X > Y ) {\displaystyle \mathbb {P} (X>Y)} é a probabilidade de que um membro do grupo X {\displaystyle X} obtém uma pontuação maior que a de um membro do grupo Y {\displaystyle Y} ., Para um conjunto de odds ratio, que é freqüentemente usado para determinar se há um impacto negativo, podemos converter entre tamanhos de efeito como tal:

Usando essas diferentes medidas do tamanho do efeito, somos capazes de determinar quantitativamente o tamanho de um intervalo com base em várias interpretações comuns., Notadamente, podemos interpretar o tamanho de efeito como:

• A quantidade de variação explicada (coeficiente de determinação)
• A diferença em termos de desvios-padrão (Cohen”s d)
• A probabilidade de um maior score

Se tomarmos a regra dos 80% para se candidatar através do odds ratio, isto implica que o limite de odds ratio para assumir a discriminação é de 1,25 – as outras medidas de efeito tamanho, portanto, são:

isto implica que se presume a existência de discriminação se 0,4% da variação dos Resultados for explicada e se existir uma diferença de desvio padrão de 0.123 entre dois grupos. Ambas as quantidades são suficientemente pequenas para que haja preocupações significativas quanto à detecção de falsos casos positivos de discriminação a um nível inaceitável.

um limiar maior para presumir que as disparidades são devidas à discriminação, como uma razão de probabilidade de 2-3, é menos provável de ter falsos positivos.,

de Confusão e de regressão analysisEdit

Uma segunda preocupação do uso de diferentes impacto é que as disparidades podem ser afetados por variáveis subjacente, chamados de fatores de confusão, o que implica que a disparidade é devido às diferenças que não são baseia na associação de grupo., Por exemplo, todos os seguintes disparidades existentes:

• as Mulheres tendem a ser sub-representados entre os bombeiros
  • Este led da Cidade de Nova York para largar os seus física-teste de habilidades para estágio bombeiros
• as Mulheres de condução para Uber tendem a ser pago menos do que os homens
• homens Negros representam uma parcela desproporcional dos norte-Americanos mortos por policiais

É possível que todas estas disparidades são devido a discriminação, mas a análise de regressão permite-nos conta de variáveis que pode explicar as diferenças., Por exemplo, suponhamos que estamos a tentar investigar se uma disparidade salarial entre dois grupos se deve ou não à discriminação. Em seguida, construímos um modelo de regressão múltipla para pagar y {\displaystyle y} como:

onde x i {\displaystyle x_{i}} são as variáveis de confusão, G ∈ { 0 , 1 } {\displaystyle G\in \{0,1\}} é uma variável dicotômica que indica os membros do grupo, e ϵ ∼ N ( 0 , σ 2 ) {\displaystyle \epsilon \sim {\mathcal {N}}(0,\sigma ^{2})} é uma variável aleatória normalmente distribuída., Após correção para as variáveis potencialmente confusas em um modelo de regressão, devemos ser capazes de dizer se ainda há um impacto da adesão do grupo na quantidade de interesse. Se não temos omitido qualquer importantes variáveis de confusão e não envolvidos em p-hacking, em seguida, de forma estatisticamente significante | γ | > 0 {\displaystyle |\gamma |>0} sugere uma boa possibilidade de positivo ou negativo discriminação.,

Circulando de volta para os nossos três exemplos, há explicações plausíveis para todas as disparidades que foram listados:

• Bombeiros deve ser fisicamente forte, e as mulheres tendem a não ser tão forte como homens
• Entre Uber drivers, um crescimento de 7% a desigualdade de remuneração entre homens e mulheres foi explicado por três fatores:
  • Onde e quando experiências originam (por exemplo,,, hora e local)
  • Quantidade de driver de experiência
  • a velocidade de Condução
• Enquanto diferenças na utilização de menos-de-força letal ainda existem depois de contabilidade para as variáveis de confusão, não parece haver qualquer relação entre raça e força mortal uma vez que fatores de confusão são levados em conta

Como pode ser visto a partir desses exemplos, as disparidades não implica, necessariamente, a discriminação. É importante ter em conta todas as variáveis relevantes ao investigar se existe ou não discriminação entre dois ou mais grupos.