La Equidad de los Modelos de Evaluación de Crédito

En los mercados de crédito, los algoritmos de selección tienen como objetivo discriminar entre prestatarios de tipo bueno y de tipo malo. Sin embargo, al hacerlo, también pueden discriminar entre individuos que comparten un atributo protegido (por ejemplo, género, edad, origen racial) y el resto de la población. Esto puede ser involuntario y originarse en el conjunto de datos de entrenamiento o en el propio modelo. Mostramos cómo probar formalmente la equidad algorítmica de los modelos de evaluación y cómo identificar las variables responsables de cualquier falta de equidad. Luego utilizamos estas variables para optimizar el equilibrio entre equidad y rendimiento. Nuestro marco proporciona orientación sobre cómo los prestamistas pueden monitorear la equidad algorítmica, controlada por sus reguladores, mejorada en beneficio de grupos protegidos, mientras se mantiene un alto nivel de precisión en las previsiones. Este documento fue aceptado por Will Cong, Edición Especial sobre la Conexión Humano-Algoritmo. Financiamiento: Este trabajo fue apoyado por la Cátedra de Regulación y Riesgo Sistémico de la Autoridad de Control Prudencial y de Resolución (ACPR), la Cátedra Fintech en la Universidad Dauphine-PSL, y la Agencia Nacional de Investigación de Francia (ANR) MLEforRisk ANR-21-CE26-0007, Ecodec ANR-11-LABX-0047, y F-STAR ANR-17-CE26-0007-01. Material Suplementario: El apéndice en línea y los archivos de datos están disponibles en https://doi.org/10.1287/mnsc.2022.03888.