缓解差异影响估计中的包含变量偏倚与遗漏变量偏倚

管理者、雇主、政策制定者及其他人员常常试图理解决策是否对某些群体存在偏倚。一种流行的分析策略是在调整观测协变量后估计差异，通常使用回归模型。然而，该方法面临两个关键的统计挑战。首先，若模型未调整所有相关因素，遗漏变量偏倚会使结果偏斜；其次，反之，包含变量偏倚——一个较少为人所知的现象——若协变量集合包含了无关因素，也会使结果偏斜。在此，我们引入一种新颖的三步统计方法，称之为风险调整回归，以在决策者具有明确可度量目标的场景下解决上述两方面问题。第一步，我们利用所有可用协变量估计采取某项行动（如批准贷款申请或雇佣求职者）的价值或反之的风险。第二步，我们仅依据这些风险估计来调整决策差异，从而缓解包含变量偏倚问题。最后，在第三步，我们评估结果对风险潜在误测的敏感性，以解决对遗漏变量偏倚的担忧。为此，我们开发了一种新颖的非参数敏感性分析，可依据真实风险与估计风险之间的平均差距——一个可解释的单参数——给出真实差异的紧界，从而促成可信的估计。我们在包含纽约市 220 万次行人警察拦截的详细数据集上演示了该方法，并表明传统的歧视统计检验会大幅低估差异的程度。