Technische Samenvatting: Het Auditeren van Discriminatoire Patronen in Hypotheekverlening via Associatieregels en Fair Binning

Probleemstelling

Hypotheekverlening in de Verenigde Staten vertoont hardnekkige raciale en gendergerelateerde ongelijkheden. Terwijl eerder onderzoek zich richtte op het auditeren van bias op modelniveau of het construeren van eerlijke classificators, onderzoekt dit artikel of upstream databeheeroperaties, specifiek attribuut-binning, deze ongelijkheden versterken. Standaard gelijke-frequentie binning van numerieke attributen (bijv. inkomen) kan bins creëren met een scheve demografische compositie, wat downstream patroonextractie potentieel kan verstoren. De auteurs vragen zich af: Verandert fairness-bewuste binning de gedetecteerde discriminatoire patronen in hypotheekgegevens?

De studie maakt gebruik van de HMDA 2023-dataset (Home Mortgage Disclosure Act), een rijke publieke bron met meer dan 10 miljoen records per jaar, waarbij de focus ligt op de metropoolregio Chicago.

Methodologie

De auteurs stellen een driefasige pijplijn voor om discriminatoire patronen te auditeren:

1. Gegevensopschoning en Binning

• Databron: 103.481 opgeschoonde hypotheekaanvragen uit de Chicago-Naperville-Elgin Metropolitan Division (gefilterd uit de nationale HMda 2023-snapshot).
• Preprocessing: De pijplijn filtert voor toegekende en afgewezen leningen, verwijdert records met ontbrekende demografische gegevens, cast financiële velden en knipt inkomen-outliers af (0,5e–99,5e percentiel).
• Binning Strategieën:
  • Standaard Gelijke-Frequentie Binning: Verdeelt numerieke attributen (inkomen, leenbedrag) in $k=5$ bakken met ongeveer gelijke aantallen.
  • $\epsilon$-Biased Fair Binning: Implementeert het Divide-and-Conquer (D&C) algoritme voorgesteld door Asudeh et al. [1]. Dit algoritme streeft ernaar de demografische afwijking binnen elke bin te beperken tot maximaal $\epsilon$. Het minimaliseert de "Price of Fairness" (PoF), gedefinieerd als de afwijking van de bin-groottes van de gelijke frequentie.

2. Association Rule Mining (FP-Growth)

• Techniek: FP-Growth wordt gebruikt om frequente itemsets en associatieregels te minen die leningafwijzing voorspellen.
• Input: Aanvragen worden omgezet in transacties van 11 categorische items (bijv. ras, geslacht, inkomen-bin, DTI-categorie, uitkomst).
• Doel: Vergelijk de gegenereerde regelsets onder standaard versus fair binning om te identificeren of fairness-restricties de expliciete discriminatoire patronen (bijv. regels waarbij ras een antecedent is) veranderen.
• Parameters: Minimale support van 0,10, minimale confidence van 0,50, minimale lift van 1,0.

3. Clustering en Disparate Impact Audit

• Clustering: K-Means clustering wordt toegepast op vier financiële kenmerken (inkomen, leenbedrag, DTI, gecombineerde loan-to-value ratio) om aanvragers te groeperen op basis van hun financiële profiel. Rentetarieven worden uitgesloten om te voorkomen dat afgewezen leningen worden weggefilterd.
• Audit: Binnen elke cluster wordt de Disparate Impact Ratio (DIR) berekend voor demografische groepen (ras, etniciteit, geslacht) ten opzichte van een referentiegroep.
• Metriek: Een DIR onder de 0,80 (de "four-fifths rule") duidt op een disparate impact. Deze aanpak isoleert discriminatie die niet verklaard kan worden door legitieme financiële risicofactoren die in de clusters worden gevangen.

Belangrijkste Resultaten

1. Binning Bias en Haalbaarheid

• Standaard Binning: Produceert een raciale bias van 9,63% in de discretisering van inkomen, consistent met eerdere bevindingen (8–10%).
• Haalbaarheid van Fair Binning: Met zeven rasgroepen is het $\epsilon$-biased algoritme onhaalbaar bij strikte drempelwaarden ($\epsilon=0,03$). Het slaagt alleen bij $\epsilon=0,08$ voor inkomen en $\epsilon=0,06$ voor leenbedrag.
• Price of Fairness (PoF): Het bereiken van fairness bij deze drempelwaarden brengt een hoge kost met zich mee, waarbij de bin-groottes significant afwijken van de gelijke frequentie (Poof van 29,4% voor inkomen en 23,5% voor leenbedrag).

2. Association Rule Mining (FP-Growth)

• Dominante Voorspeller: Een hoge debt-to-income ratio (DTI) is de primaire voorspeller van afwijzing (67,2% confidence, 2,81 lift).
• Consistentie van Regels: De belangrijkste afwijzingsregels zijn identiek onder zowel de standaard als de fair binning regimes.
• Afwezigheid van Expliciete Bias: Geen regels met ras, geslacht of etniciteit als antecedenten voldeden aan de 10% support-drempel. De auteurs merken op dat dit niet wijst op een afwezigheid van bias; eerder werkt raciale bias indirect via gecorreleerde financiële kenmerken (bijv. zwarte aanvragers hebben lagere gemiddelde inkomens, waardoor zij in risicovollere bins terechtkomen).

3. Clustering en Disparate Impact

• Clusterprofielen: Vijf clusters werden geïdentificeerd, variërend van aanvragers met een te hoge schuldenlast (79% afwijzing) tot welgestelde aanvragers (11% afwijzing).
• Bevindingen Disparate Impact: Hoewel FP-Growth geen expliciete raciale regels vond, heeft de K-Means + DIR audit 10 van de 45 cluster-groep paren aangewezen als vertoonden een disparate impact (DIR < 0,80).
• Specifieke Bevindingen:
  • Alle gemarkeerde paren betroffen ras.
  • In Cluster 3 (financieel vergelijkbare groep: gemiddeld inkomen $104K, DTI 34,5) kregen zwarte aanvragers te maken met een afwijzingspercentage van 44,8% vergeleken met 20,3% voor witte aanvragers (DIR = 0,693).
  • De gemiddelde DIR voor ras-gebaseerde audits was 0,814, terwijl de audits voor etniciteit en geslacht geen systematische disparate impact vertoonden (gemiddelde DIRs van respectievelijk 0,932 en 1,094).

Bijdragen en Betekenis

Het artikel levert de volgende bijdragen:

1. Validatie van Upstream Bias: Het bevestigt dat standaard gegevenspreprocessing (binning) meetbare raciale bias (9,63%) introduceert in HMDA-gegevens, wat de relevantie van unbiased binning-problemen in de context van hypotheekverlening valideert.
2. Haalbaarheidsbeperkingen van Multi-Groep Fairness: Het demonstreert dat hoewel $\epsilon$-biased binning werkt voor binaire groepen, het toepassen ervan op zeven rasgroepen de set van haalbare oplossingen drastisch vermindert en een hoge Price of Fairness met zich meebrengt, wat wijst op praktische beperkingen voor multi-groep fairness in datadiscretisering.
3. Complementaire Auditing-benaderingen: De studie benadrukt dat FP-Growth en Clustering complementaire inzichten bieden:
   • FP-Growth identificeert dominante afwijzingsfactoren (DTI) over de gehele populatie, maar kan indirecte bias missen door support-drempels.
   • Clustering gecombineerd met DIR-audits onthult systematische disparate impact die blijft bestaan, zelfs onder financieel vergelijkbare aanvragers, waardoor discriminatie wordt blootgelegd die standaard rule mining mogelijk zou missen.
4. Empirisch Bewijs van Indirecte Bias: De resultaten suggereren dat raciale bias in hypotheekverlening vaak indirect manifesteert via gecorreleerde financiële distributies (inkomen/DTI) in plaats van als expliciete, hoog-support regels met beschermde attributen.

Beperkingen

De auteurs erkennen verschillende beperkingen:

• Ontbrekende Credit Scores: HMDA-gegevens bevatten geen credit scores, een primaire factor bij hypotheekverlening, wat betekent dat de clustering discriminatie niet volledig kan scheiden van legitiem risico.
• Support Drempels: De 10% support-drempel voor FP-Growth kan te hoog zijn om patronen van minderheidsgroepen te vangen; het verlagen hiervan brengt het risico op spurious (schijn)resultaten met zich mee.
• Geografische Omvang: De analyse is beperkt tot de metropoolregio Chicago.
• Algoritmische Aannames: K-Means gaat uit van sferische clusters van gelijke grootte, wat mogelijk niet perfect past bij de asymmetrie van de data (clustergroottes variërend van 3.500 tot 48.000).