STRATA: A Name-and-Geography Race Inference Model for Fair Lending and Housing Equity Applications

Resumen Técnico: STRATA – Un Modelo de Inferencia de Raza y Geografía Basado en Nombres

Declaración del Problema
La estimación precisa de la raza y la etnia (R&E) es crítica para la equidad en préstamos, la vivienda y la investigación en ciencias sociales, particularmente cuando faltan datos demográficos autodeclarados. Las instituciones reguladas a menudo deben evaluar las disparidades en estos contextos, pero los métodos de aproximación existentes sufren errores sistemáticos. El enfoque dominante, la Geocodificación de Apellidos Mejorada con Bayes (BISG, por sus siglas en inglés), combina probabilidades de apellidos y geografía mediante una factorización bayesiana fija. El artículo argumenta que este método introduce una clasificación errónea estructurada correlacionada con el estatus socioeconómico (SES). Específicamente, el BISG tiende a clasificar erróneamente a las minorías raciales que viven en vecindarios prósperos o en proceso de gentrificación como Blancas, lo que provoca que las disparidades medidas se subestimen (sesgo hacia el grupo mayoritario). Esta "absorción de la clase mayoritaria" distorsiona el cumplimiento regulatorio y el análisis de disparidades.

Metodología
El artículo presenta STRATA (Atribución Socioeconómica y de Tracto Referenciada para el Análisis Algorítmico), un marco de aprendizaje profundo híbrido diseñado para superar las limitaciones de los priors bayesianos fijos mediante el aprendizaje de interacciones no lineales y discriminativas entre secuencias de nombres y el contexto geográfico.

• Fuentes de Datos: El modelo se entrena con un corpus armonizado de registros de registro de votantes de Florida, Georgia y Carolina del Norte, combinado con el archivo nacional de préstamos del Programa de Protección de Salarios (PPP). Los datos se mapean a un sistema de cinco clases: Blanco (No Hispano), Negro (No Hispano), Hispano, Asiático/Isleño del Pacífico (No Hispano) y Otro.
• Características de Entrada: STRATA requiere únicamente una cadena de nombre y 13 características públicas del Censo (tasas de composición racial de grupos de bloques y de tractos, deciles de ingresos medios y población). Esto contrasta con otros métodos que requieren cientos de características diseñadas o covariables específicas de archivos de votantes.
• Arquitectura:
  1. Modelo Base (LSTM+Geo): Una red de Memoria de Largo Corto Plazo Bidireccional (BiLSTM) apilada procesa secuencias a nivel de carácter de los nombres de pila, segundo nombre y apellidos. Estos embeddings secuenciales se concatenan con características geográficas y socioeconómicas continuas (datos de grupos de bloques y de tractos). El modelo utiliza una pérdida de entropía cruzada marginalizada personalizada para manejar la ambigüedad de las etiquetas en los datos de entrenamiento (por ejemplo, categorías confladas en conjuntos de datos estatales específicos), lo que permite al modelo aprender sin forzar una confianza espuria en distinciones no medidas.
  2. Ensamble (Post-filtro XGBoost): Las probabilidades de clase fina del modelo base se introducen en un clasificador de árboles de gradiente aumentado XGBoost. Este segundo modelo captura interacciones no lineales complejas y corrige errores residuales de la red neuronal. El ensamble utiliza un procedimiento de apilamiento (stacking) fuera de la muestra (out-of-fold) para evitar el sobreajuste.
• Estrategia de Entrenamiento: El modelo se entrena con un gran conjunto de datos de votantes y se valida con una cohorte nacional de PPP. Los autores emplean un protocolo de evaluación riguroso donde todos los modelos se aplican a las mismas cohortes de retención iniciales para asegurar una comparación justa, particularmente en cuanto a cobertura (la fracción de registros para los cuales se devuelve una predicción).

Contribuciones Clave

1. Arquitectura Novedosa: STRATA integra el modelado de nombres a nivel de carácter con la geografía a nivel de tracto mediante un modelo de secuencia discriminativo, alejándose de los supuestos de independencia fijos de los métodos bayesianos.
2. Reducción de Sesgo: La contribución principal es la reducción significativa de la Tasa de Falsos Positivos (FPR) de Blancos —la tasa en la que individuos no Blancos son clasificados erróneamente como Blancos. Este modo de error específico se identifica como el principal motor de las mediciones de disparidad subestimadas.
3. Parsimonia y Capacidad de Implementación: A diferencia de los modelos competidores de alto rendimiento (como ZRP que requiere ~203 características, o Argyle & Barber que requiere 23 covariables específicas de archivos de votantes), STRATA logra un rendimiento superior utilizando solo un nombre y 13 características públicas del Censo, lo que lo hace desplegable en conjuntos de datos de préstamos de vivienda, vivienda y pequeñas empresas donde los datos de archivos de votantes no están disponibles.
4. Agregación Probabilística: El artículo demuestra que, para el análisis agregado, el uso de las probabilidades de clase sumadas en lugar de etiquetas argmax estrictas mejora significativamente la recuperación de los totales de grupo y las estimaciones de disparidad descendentes.

Resultados
Evaluado en una retención de votantes emparejada (N = 981,288) y una retención nacional de PPP (N = 124,914), el ensamble STRATA demuestra lo siguiente:

• Rendimiento en la Retención de Votantes: El ensamble STRATA logra una precisión del 88.8% y reduce la FPR de Blancos del 28.0% (BISG) al 17.8%, el más bajo entre todos los métodos evaluados. Mantiene una cobertura condicional del 100% (prediciendo para todos los registros elegibles resueltos por tracto), mientras que BISG y BIFSG fallan en predecir para el 10–22% de los registros debido a referencias de nombres faltantes.
• Validación Nacional de PPP: En una cohorte de prestatarios de pequeñas empresas autodeclarados geográficamente a nivel nacional, el ensamble STRAT logra una precisión del 88.5% con una FPR de Blancos del 9.81%.
• Estudios de Ablación: Eliminar las características geográficas reduce la precisión en 2.8 puntos porcentuales y aumenta la FPR de Blancos en 5.1 puntos, confirmando el valor de la integración referenciada por tracto.
• Transferencia Geográfica: Los modelos entrenados sin datos estatales específicos (por ejemplo, excluyendo Georgia) retienen una precisión del 85–87% cuando se prueban en cohortes nacionales o de estados no vistos (Nueva York), lo que indica una transferencia robusta.
• Mitigación del Sesgo Descendente: En un análisis de disparidad descendente de las tasas de perdón de préstamos PPP, las estimaciones ponderadas por probabilidad de STRATA coincidieron estrechamente con las brechas autodeclaradas, mientras que las etiquetas estrictas (incluyendo BISG) distorsionaron la brecha al reducirla hacia cero.

Significancia y Reivindicaciones
El artículo posiciona a STRATA como una herramienta para el análisis de población agregada destinado a mejorar la medición de las disparidades demográficas en la equidad de préstamos y vivienda.

• Corrección del Sesgo de Medición: Los autores afirman que STRATA aborda una fuente específica de sesgo donde los métodos de aproximación predominantes (como BISG) absorben a las minorías en la clase mayoritaria Blanca, subestimando las disparidades reales. Al reducir la FPR de Blancos, STRтия proporciona una línea base más precisa para el cumplimiento regulatorio y la investigación.
• Limitaciones y Alcance: Los autores declaran explícitamente que STRATA no es lo suficientemente preciso para decisiones transaccionales a nivel individual. El modelo es probabilístico y está destinado a la auditoría agregada post-transacción. El artículo reconoce limitaciones, incluyendo la pobre recuperación de la categoría "Otro" (debido a la heterogeneidad), la falta de clases distintas para las poblaciones de nativos de Hawái/Islas del Pacífico y nativos americanos/indígenas de Alaska, y la posible degradación del rendimiento en geografías o períodos de tiempo disímiles a los datos de entrenamiento.
• Reproducibilidad: Los autores proporcionan un artefacto público con archivos de predicción desidentificados y código para reproducir todos los resultados reportados, aunque los pesos de entrenamiento propietarios se mantienen en reserva por razones comerciales.

En resumen, STRATA ofrece un método metodológicamente riguroso, desplegable y menos sesgado para las aproximaciones de imputación de raza, dirigido específicamente a la reducción de la clasificación errónea correlacionada con el estatus socioeconómico que oscurece las disparidades en la equidad de préstamos.