Identification and Inference with Min-over-max Estimators for the Measurement of Labor Market Fairness
劳动市场公平性度量中最小—最大估计量的识别与推断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：摘要主要研究公平性指标的非光滑统计推断，劳动市场应用及 A/B 检验不足以明确对应所列细分领域。
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…
关注这篇论文的作者
劳动市场公平性度量中最小—最大估计量的识别与推断
- 研究问题
- 人口统计均等指标包含最小值和最大值运算，如何在这些运算可能不可微时构造渐近推断、置信区间和阈值检验？
- 方法与思路
- 作者用光滑函数近似最小值与最大值，推导近似统计量的渐近分布，并讨论指标阈值检验和 A/B 实验推断。
- 材料陈述的贡献
- 摘要称光滑近似及梯度在适当位置收敛，并主张原函数不可微时仍可进行有效渐近推断，另提供区间计算方向。
- 阅读关注点
- 应核对光滑程度与样本量如何共同变化、极值并列时的极限行为，以及近似偏差如何纳入置信区间和阈值检验。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未列出有效推断的完整条件，不能确认其覆盖率或一致有效性。
原文摘要
These notes shows how to do inference on the Demographic Parity (DP) metric. Although the metric is a complex statistic involving min and max computations, we propose a smooth approximation of those functions and derive its asymptotic distribution. The limit of these approximations and their gradients converge to those of the true max and min functions, wherever they exist. More importantly, when the true max and min functions are not differentiable, the approximations still are, and they provide valid asymptotic inference everywhere in the domain. We conclude with some directions on how to compute confidence intervals for DP, how to test if it is under 0.8 (the U.S. Equal Employment Opportunity Commission fairness threshold), and how to do inference in an A/B test.