Resumen Técnico: Las compensaciones dependen del dominio: Mejora de la precisión y la equidad en las valoraciones del impuesto sobre la propiedad

Enunciado del Problema

La investigación sobre equidad algorítmica ha operado durante mucho tiempo bajo la premisa de una compensación universal entre equidad y precisión: mejorar la equidad de un modelo a menudo requiere una reducción en la precisión predictiva. Este artículo desafía dicha premisa dentro del dominio específico de las valoraciones del impuesto sobre la propiedad en Estados Unidos.

Las valoraciones del impuesto sobre la propiedad en EE. UU. están actualmente plagadas de regresividad sistemática, donde los propietarios de propiedades de menor valor pagan una carga fiscal desproporcionadamente mayor en relación con el valor de su vivienda en comparación con los propietarios de propiedades de mayor valor. Esto viola el principio de equidad vertical. Si bien la regresividad se atribuye a menudo a la corrupción o a topes legales sobre los aumentos de valoración, los autores argumentan que un impulsor principal es la dependencia de datos escasos y modelos simplistas por parte de los tasadores. A diferencia de los compradores y vendedores, que utilizan datos ricos (inspecciones, tasaciones) para determinar el valor de mercado justo, los tasadores a menudo dependen de datos exteriores limitados, lo que provoca que las valoraciones regresen hacia la media. Esto resulta en la sobrevaloración de viviendas de bajo valor y la subvaloración de viviendas de alto valor.

La pregunta central de investigación es si los esfuerzos para aumentar la precisión de la valoración (mediante el uso de más datos y mejores modelos) conducen inherentemente a un aumento de la equidad (reducción de la regresividad), o si existe una compensación en este dominio.

Metodología

Los autores utilizan un conjunto de datos exhaustivo de 26 millones de ventas de propiedades que abarcan el período 2018–2023, cubriendo el 95% de los condados de EE. UU. (2.844 de 3.007). Los datos, obtenidos de Cotality (anteriormente CoreLogic), incluyen detalles de transacciones, características de las propiedades e información fiscal, fusionados con datos socioeconómicos de la Encuesta de la Comunidad Americana (ACS).

El estudio emplea tres enfoques analíticos complementarios:

1. Análisis de Correlación Empírica: Los autores analizan la relación entre la precisión de la valoración y la equidad en diferentes jurisdicciones bajo prácticas de "statu quo". Miden la precisión utilizando el Error Porcentual Absoluto Medio (MAPE) entre los valores tasados y los precios de venta reales. La equidad se mide utilizando tres métricas de regresividad distintas: el Coeficiente Logarítmico (LC), el Índice Suits (SI) y el Diferencial Relacionado con el Precio (PRD).
2. Simulación Contrafactual (Experimento de Ablación): Utilizando modelos LASSO y Random Forest entrenados a nivel de condado, los autores simulan flujos de trabajo de valoración. Comparan un modelo "escaso" (que utiliza solo tres características de propiedad altamente disponibles) contra un modelo "rico" (que utiliza todas las características de propiedad disponibles). Esto prueba si agregar características de propiedad mejora simultáneamente la precisión y la equidad.
3. Experimento de Integración de Datos del Censo: Los autores simulan la incorporación de datos de grupos de bloques del Censo disponibles públicamente (por ejemplo, ingresos del vecindario, educación, demografía) en modelos de valoración Random Forest. Este experimento evalúa si agregar datos socioeconómicos a nivel de vecindario, que actualmente están subutilizados por la mayoría de los tasadores, produce mejoras de Pareto (ganancias tanto en precisión como en equidad) en relación con las predicciones del statu quo.

El marco de evaluación utiliza un enfoque de frontera de Pareto. Los autores examinan si los modelos contrafactuales ofrecen ganancias simultáneas en precisión y equidad en relación con las líneas base. Si un modelo mejora ambas métricas sin compensación, representa una mejora de Pareto.

Resultados Clave

1. Fuerte Correlación en las Prácticas del Statu Quo

En el 98% de los condados analizados, las valoraciones del statu quo fueron regresivas. Sin embargo, existe una fuerte correlación positiva entre precisión y equidad: los condados con menores errores de valoración (mayor precisión) generalmente exhibieron niveles más bajos de regresividad (mayor equidad). Esto sugiere que las mejoras metodológicas en las prácticas actuales podrían generar ganancias conjuntas.

2. Modelos Simulados y Adición de Características

En el experimento de ablación que compara modelos LASSO escasos frente a ricos:

• Agregar características de propiedad mejoró la precisión en la mayoría de los casos.
• Crucialmente, en el 99,9% de los condados donde la precisión mejoró, la equidad también mejoró. Solo un condado (Condado de DeSoto, Missouri) exhibió una compensación.
• La magnitud de las ganancias en equidad tendió a correlacionarse con la magnitud de las ganancias en precisión.

3. Impacto de los Datos del Censo

En el experimento que incorporó datos de grupos de bloques del Censo en modelos Random Forest (excluyendo condados con topes estatutarios de valoración):

• Se observaron mejoras simultáneas significativas en precisión y equidad en el 14,7% de los condados.
• Entre aquellos condados que mostraron cambios significativos, el 96,2% experimentó ganancias simultáneas en ambas métricas, con solo un 3,8% mostrando compensaciones.
• La adición de datos del Censo generalmente aumentó los valores tasados para viviendas de alto precio y los disminuyó para viviendas de bajo precio, reduciendo así la regresividad.

4. Equidad Interseccional (Raza e Ingresos)

La inclusión de características del Censo también redujo la regresividad con respecto a la raza y los ingresos a nivel de vecindario:

• Raza: Los vecindarios predominantemente negros (definidos como >30% de residentes negros) vieron disminuciones promedio en los valores tasados, mientras que los vecindarios predominantemente no negros vieron aumentos. Esto sugiere una reducción de la carga fiscal para los propietarios de viviendas negras.
• Ingresos: Las valoraciones disminuyeron en vecindarios de bajos ingresos y aumentaron en vecindarios de altos ingresos, haciendo que el sistema fiscal sea más progresivo con respecto a los ingresos.

Contribuciones Clave

• Evidencia Específica del Dominio: El artículo proporciona la primera evidencia empírica a gran escala de que la compensación entre equidad y precisión no es universal, demostrando específicamente que en las valoraciones del impuesto sobre la propiedad, la precisión y la equidad están fuertemente correlacionadas.
• Marco Metodológico: Introduce una evaluación holística de los flujos de trabajo de valoración utilizando métricas relevantes para el dominio (equidad vertical/regresividad) en lugar de restricciones de equidad abstractas, mostrando que las compensaciones son la excepción y no la regla en este contexto.
• Intervenciones Listas para Políticas: El estudio identifica que incorporar datos del Censo disponibles públicamente es una reforma viable y de bajo costo que puede mejorar significativamente tanto la precisión como la equidad de las valoraciones del impuesto sobre la propiedad en cientos de condados de EE. UU.
• Desafío a las Premisas Prevalecientes: Los hallazgos desafían la premisa implícita en la literatura de aprendizaje automático justo de que construir modelos más justos requiere sacrificar precisión, sugiriendo que en sistemas del sector público basados en regresión, "la equidad puede llegar gratis" mediante mejores datos y modelado.

Significado y Afirmaciones

Los autores afirman que sus hallazgos desafían fundamentalmente la presunta universalidad de la compensación entre equidad y precisión. Argumentan que la compensación es dependiente del dominio. En el contexto del impuesto sobre la propiedad, donde la equidad se define como equidad vertical (proporcionalidad al valor) y la precisión se define como la proximidad al valor de mercado, mejorar la capacidad del modelo para predecir el valor de mercado corrige inherentemente los sesgos sistemáticos que causan la regresividad.

El artículo postula que la compensación percibida a menudo surge de:

1. Escasez de Datos: Los modelos actuales carecen de los datos necesarios para distinguir entre los valores de las propiedades, lo que lleva a errores de regresión hacia la media que perjudican a los propietarios de bajo valor.
2. Desalineación de Métricas: El uso de restricciones de equidad abstractas (como la paridad estadística) en lugar de principios de equidad específicos del dominio (como la equidad vertical).

Los autores concluyen que las mejoras de modelado bien diseñadas, específicamente la adopción de Modelos Automatizados de Valoración (AVM) basados en árboles y la integración de datos del Censo, pueden avanzar simultáneamente en la equidad y la precisión en sistemas a gran escala del sector público. Enfatizan que, aunque las compensaciones son teóricamente posibles (por ejemplo, si las ganancias de precisión se agrupan solo entre apelaciones de alto valor), no se observan en la aplicación práctica de agregar datos a los modelos de valoración.

Limitaciones y Alcance

Los autores permanecen modestos respecto al alcance de sus afirmaciones:

• Dependencia de la Línea Base: El hallazgo de "sin compensación" es relativo a los modelos actuales del statu quo y las líneas base escasas. Las compensaciones podrían surgir si los tasadores ya estuvieran operando cerca de una frontera de eficiencia o si se utilizaran definiciones de equidad diferentes.
• Representatividad de los Datos: El estudio se basa en datos de ventas intermediadas, que pueden no representar perfectamente a toda la población de propiedades tasadas (por ejemplo, excluyendo a propietarios ocupantes a largo plazo). Sin embargo, los experimentos de ponderación sugieren que esto no altera significativamente los hallazgos.
• Precio de Venta como Verdad Terrena: El estudio asume que el precio de venta equivale al valor de mercado justo. Los autores reconocen que los precios de venta en sí mismos pueden estar sesgados por la discriminación racial (por ejemplo, subvaloración de viviendas en vecindarios negros). Si bien sus modelos mejoran la precisión en relación con el precio de venta, señalan que esto no resuelve completamente el problema subyacente de la desvalorización racial en el mercado, aunque sí reduce la carga fiscal en esos vecindarios.
• Barreras Legales y Estructurales: El artículo señala que los topes estatutarios sobre los aumentos de valoración en 17 estados y la falta de datos de raza a nivel individual para los tasadores limitan la realización plena de estas ganancias.