分解歧视：面向 AI 驱动信贷决策的因果中介分析
摘要
AI 驱动的信贷决策中的统计公平性指标混合了两种因果上distinct的机制：一种是受保护属性直接作用于信贷结果的歧视，另一种是通过合法财务特征传播的结构性不平等。我们使用珀尔 (Pearl) 的自然直接与间接效应框架 formalize 了这一区别。我们的主要理论贡献是针对 treatment-induced confounding（即受保护属性因果影响同时又作用于财务中介变量和最终决策，违反标准顺序不可辨认假设）下的自然直接与间接效应的 identification 策略。我们证明，在较弱的 Modified Sequential Ignorability 假设下，干预直接效应 (IDE) 和间接效应 (IIE) 可被识别，并且证明 IDE/IIE 在单调间接处理反应下提供对未被识别自然效应的保守界限。我们提出了一种基于 AIPW 的 doubly-robust 增量逆概率加权 (AIPW) 估计器，用于 IDE/IIE，具有半参数效率属性，可通过 cross-fitting 实现。E-value 敏感性分析解决了关于直接通路的残余混淆问题。在 New York State (2022) 89,465 份真实 HMDA conventional purchase mortgage 申请的实证评估表明，约 77% 的观察到的 7.9 个百分点的种族否决差异通过由结构性不平等塑造的财务中介作用中操作，其剩余 23% 构成直接歧视的保守下界。该开源 CausalFair Python 软件包实现了完整的管线，可在资源受限的金融机构中部署。
引用
@article{arxiv.2603.27510,
title = {Decomposing Discrimination: Causal Mediation Analysis for AI-Driven Credit Decisions},
author = {Duraimurugan Rajamanickam},
journal= {arXiv preprint arXiv:2603.27510},
year = {2026}
}
备注
22 pages, 6 figures, 2 tables. Open-source code at https://github.com/rdmurugan/causalfair-repo