Revisiting the Berkeley Admissions data: Statistical Tests for Causal Hypotheses
重访伯克利录取数据：因果假设的统计检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确使用工具变量不等式检验因果假设，并比较反事实与干预形式的公平性。
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…
重访伯克利录取数据：因果假设的统计检验
- 研究问题
- 伯克利录取中的总体与院系内性别差异如何作因果解释，又如何仅凭观察数据检验不同因果公平性概念？
- 方法与思路
- 作者基于Pearl工具变量不等式提出因果假设检验，比较图模型、反事实和干预定义的公平性，并分析概念间逻辑关系。
- 材料陈述的贡献
- 摘要称不同公平性概念虽未必等价，但在该录取案例中对应的统计检验一致，并借案例讨论因果假设检验与公平性。
- 阅读关注点
- 应核对因果图及工具变量角色、各公平性命题与检验的对应关系，并区分检验未拒绝、假设成立和因果效应识别。
- 阅读边界
- 这是arXiv预印本，同行评审与接收未核实。摘要未列出图模型假设和检验细节，案例中的检验一致性不能推广到任意情境。
原文摘要
Reasoning about fairness through correlation-based notions is rife with pitfalls. The 1973 University of California, Berkeley graduate school admissions case from Bickel et. al. (1975) is a classic example of one such pitfall, namely Simpson's paradox. The discrepancy in admission rates among males and female applicants, in the aggregate data over all departments, vanishes when admission rates per department are examined. We reason about the Berkeley graduate school admissions case through a causal lens. In the process, we introduce a statistical test for causal hypothesis testing based on Pearl's instrumental-variable inequalities (Pearl 1995). We compare different causal notions of fairness that are based on graphical, counterfactual and interventional queries on the causal model, and develop statistical tests for these notions that use only observational data. We study the logical relations between notions, and show that while notions may not be equivalent, their corresponding statistical tests coincide for the case at hand. We believe that a thorough case-based causal analysis helps develop a more principled understanding of both causal hypothesis testing and fairness.