Regulatory arbitrage or random errors? Implications of race prediction algorithms in fair lending analysis
监管套利还是随机误差？种族预测算法对公平信贷分析的影响AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦种族代理变量误差与公平信贷监管，未明确提供所列细分方向所需的方法或研究目标证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
监管套利还是随机误差？种族预测算法对公平信贷分析的影响
- 研究问题
- 当公平信贷分析用姓氏和地址预测种族时，预测误差如何改变种族贷款审批差距的测量，并影响监管下的信贷配置？
- 方法与思路
- 作者考察小企业信贷中BISG算法对黑人群体的预测误差，比较不同贷款机构的偏差，并分析使用自报种族的监管含义。
- 材料陈述的贡献
- 摘要报告审批差距被低估43%，传统机构偏差更大；并称改用自报种族会增加黑人贷款，同时使贷款向富裕地区倾斜。
- 阅读关注点
- 应核对种族预测与自报信息的匹配方式、43%偏差的计算口径，以及监管变化对信贷配置的推断依据。
- 阅读边界
- 仅据所给出版社摘要，无法判断监管反事实采用何种识别或模型，也不能由预测误差直接认定机构存在监管套利。
原文摘要
When race is not directly observed, regulators and analysts commonly predict it using algorithms based on last name and address. In small business lending—where regulators assess fair lending law compliance using the Bayesian Improved Surname Geocoding (BISG) algorithm—we document large prediction errors among Black Americans. The errors bias measured racial disparities in loan approval rates downward by 43%, with greater bias for traditional vs. fintech lenders. Regulation using self-identified race would increase lending to Black borrowers, but also shift lending toward affluent areas because errors correlate with socioeconomics. Overall, using race proxies in policymaking and research presents challenges.