El sesgo no es el único problema con las puntuaciones de crédito, y no, la IA no puede ayudar


Pero en el el mayor estudio jamás realizado sobre datos hipotecarios del mundo real, los economistas Laura Blattner de la Universidad de Stanford y Scott Nelson de la Universidad de Chicago muestran que las diferencias en la aprobación de hipotecas entre grupos minoritarios y mayoritarios no se deben solo al sesgo, sino al hecho de que los grupos minoritarios y de bajos ingresos tienen menos datos en su crédito. historias.

Esto significa que cuando estos datos se utilizan para calcular un puntaje crediticio y este puntaje crediticio se usa para hacer una predicción sobre el incumplimiento del préstamo, esa predicción será menos precisa. Es esta falta de precisión la que conduce a la desigualdad, no solo al sesgo.

Las implicaciones son crudas: algoritmos más justos no solucionarán el problema.

“Es un resultado realmente sorprendente”, dice Ashesh Rambachan, quien estudia economía y aprendizaje automático en la Universidad de Harvard, pero no participó en el estudio. El sesgo y los registros de crédito irregulares han sido temas candentes durante algún tiempo, pero este es el primer experimento a gran escala que analiza las solicitudes de préstamos de millones de personas reales.

Los puntajes de crédito exprimen una variedad de datos socioeconómicos, como el historial laboral, los registros financieros y los hábitos de compra, en un solo número. Además de decidir las solicitudes de préstamos, los puntajes de crédito ahora se utilizan para tomar muchas decisiones que cambian la vida, incluidas decisiones sobre seguros, contratación y vivienda.

Para averiguar por qué los prestamistas hipotecarios trataban de manera diferente a los grupos minoritarios y mayoritarios, Blattner y Nelson recopilaron informes crediticios de 50 millones de consumidores estadounidenses anonimizados y vincularon a cada uno de esos consumidores con sus detalles socioeconómicos tomados de un conjunto de datos de marketing, sus escrituras de propiedad y transacciones hipotecarias y datos sobre los prestamistas hipotecarios que les otorgaron préstamos.

Una de las razones por las que este es el primer estudio de este tipo es que estos conjuntos de datos a menudo son propietarios y no están disponibles públicamente para los investigadores. “Fuimos a una oficina de crédito y básicamente tuvimos que pagarles mucho dinero para hacer esto”, dice Blattner.

Datos ruidosos

Luego, experimentaron con diferentes algoritmos predictivos para demostrar que los puntajes crediticios no estaban simplemente sesgados sino que eran “ruidosos”, un término estadístico para los datos que no se pueden usar para hacer predicciones precisas. Tomemos a un solicitante minoritario con un puntaje de crédito de 620. En un sistema sesgado, podríamos esperar que este puntaje siempre exagere el riesgo de ese solicitante y que un puntaje más preciso sería 625, por ejemplo. En teoría, este sesgo podría explicarse a través de alguna forma de acción afirmativa algorítmica, como reducir el umbral de aprobación para aplicaciones de minorías.

Latest articles

Los Verdes alemanes deben sentarse a votar en un estado durante las elecciones nacionales – POLITICO

El Partido Verde de Alemania será excluido de las urnas en el estado de Saarland durante las elecciones nacionales de septiembre, el comité...

Florida lidera la nación en nuevas admisiones hospitalarias para adultos y niños Covid-19

El gobierno del Reino Unido actualizará su lista de viajes "verde" el jueves para agregar a la lista a Alemania, Austria, Eslovenia, Eslovaquia,...

R. Kelly dice que se ha adelantado a la selección del jurado

Sus abogados dicen que no puede pagar las transcripciones diarias de la corte.

Sam Waterston, Kurtwood Smith y Anne Archer en la serie limitada de Hulu – Fecha límite

EXCLUSIVO: Sam Waterston (Ley y Orden), Kurtwood Smith (Patriota) y Anne Archer (Imperio de papel) están configurados para roles clave recurrentes junto a...
49.6k Followers
Follow

Related articles

Leave a reply

Please enter your comment!
Please enter your name here

Translate »