地理空间差异：以巴黎房地产价格为例的案例研究

在追踪器日益普及、物联网传感器越来越多以及计算能力成本不断下降的推动下，地理空间信息在当代预测模型中发挥着关键作用。虽然地理空间数据提高了预测性能，但它也有可能延续许多历史社会经济模式，引发了人们对偏见和排斥性做法卷土重来的担忧，这些做法会对社会产生不成比例的影响。针对这一问题，本文强调了识别和纠正预测模型中此类偏见和校准误差的迫切需要，尤其是在算法变得更加复杂和难以解释的情况下。地理空间信息日益增加的粒度进一步引发了伦理问题，因为选择不同的地理尺度可能会加剧类似于红线划界和排斥性分区的不平等现象。为了解决这些问题，我们提出了一个用于识别和缓解由地理空间数据引起的偏见的工具包。我们扩展了经典的公平性定义，纳入了带有空间属性的有序回归案例，从而偏离了二元分类的焦点。这种扩展使我们能够衡量由数据聚合级别产生的差异，并提倡一种干扰较小的纠正方法。我们使用巴黎房地产数据集来说明我们的方法，展示了实际应用，并仔细审视了选择地理聚合级别对公平性和校准度量的影响。