消除有偏决策模型的偏差：基于抵押贷款申请数据的方法比较
机器学习
2024-05-03 v1 计算机与社会
计量经济学
摘要
预测模型可以通过自动化诸如贷款申请审批等决策来提高效率。然而，它们可能会从训练数据中继承对受保护群体的偏见。本文向抵押贷款申请决策的真实数据中添加了反事实（模拟的）种族偏见，并表明即使不将种族作为预测变量，机器学习模型（XGBoost）也会复制这种偏见。接下来，比较了其他几种消除偏差的方法：对禁止变量取平均、在禁止变量上取最有利的预测（一种新方法），以及联合最小化误差和预测与禁止变量之间的关联性。消除偏差可以恢复部分原始决策，但结果对偏差是否通过代理变量产生十分敏感。
引用
@article{arxiv.2405.00910,
title = {De-Biasing Models of Biased Decisions: A Comparison of Methods Using Mortgage Application Data},
author = {Nicholas Tenev},
journal= {arXiv preprint arXiv:2405.00910},
year = {2024}
}