Matchings Under Biased and Correlated Evaluations
Amit Kumar and Nisheeth K. Vishnoi
我们研究了一种双机构稳定匹配模型,其中使用具有组偏的偏等信号对来自两个不同组的候选者进行评估。 这扩展了以前的工作(假定各机构以相同的方式对候选人进行评价)具有更现实的环境,在这种环境中,各机构依靠重叠但独立处理的标准。 这些评估可以包括各种信息工具,如标准化测试,共享推荐系统或具有本地噪声的基于AI的评估。 两个关键参数管辖评价:偏置参数β∈(0,1]),它模拟一组面临的系统劣势,以及相关性参数γ∈[0,1],它捕获机构排名之间的对齐。 我们研究代表比例,即在这种情况下匹配过程中选择的弱势候选人与优势候选人的比例。 专注于所有候选人都更喜欢同一机构的制度,我们描述了大市场均衡,并为由此产生的表示比率得出了闭门形式。 先前的工作表明,当 γ = 1,该比率与β线性缩放时。 相比之下,我们表明表示比以γ为 γ 线性增加,甚至相关性的适度损失都可能导致表示比率急剧下降。 我们的分析确定了机构选择行为经历离散过渡的关键 γ γ 阈值,并揭示了评估器对齐或偏置缓解最有效的结构条件。 最后,我们展示了这个框架和结果如何使分散选择系统中的公平意识设计的干预成为可能。
We study a two-institution stable matching model in which candidates from two distinct groups are evaluated using partially correlated signals that are group-biased. This extends prior work (which assumes institutions evaluate candidates in an identical manner) to a more realistic setting in which institutions rely on overlapping, but independently processed, criteria. These evaluations could consist of a variety of informative tools such as standardized tests, shared recommendation systems, or ...