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

Resumo Técnico: STRATA – Um Modelo de Inferência de Raça e Geografia Baseado em Nomes

Definição do Problema
A estimativa precisa de raça e etnia (R&E) é fundamental para o crédito justo, equidade habitacional e pesquisa em ciências sociais, particularmente quando os dados demográficos autorreferidos estão ausentes. Instituições reguladas são frequentemente exigidas a avaliar disparidades nesses contextos, mas os métodos de aproximação (proxy) existentes sofrem de erros sistemáticos. O método dominante, a Geocodificação de Sobrenome Bayesiana Melhorada (BISG), combina probabilidades de sobrenome e geografia via uma fatoração bayesiana fixa. O artigo argumenta que este método introduz uma classificação incorreta estruturada correlacionada com o status socioeconômico (SES). Especificamente, o BISG tende a classificar erroneamente minorias raciais que vivem em bairros prósperos ou em processo de gentrificação como Brancas, fazendo com que as disparidades medidas sejam subestimadas (com viés em direção ao grupo majoritário). Esta "absorção pela classe majoritária" distorce a conformidade regulatória e a análise de disparidade.

Metodologia
O artigo apresenta o STRATA (Socioeconomic and Tract-Referenced Attribution for Algorithmic analysis), um framework híbrido de aprendizado profundo projetado para superar as limitações dos priors Bayesianos fixos, aprendendo interações discriminativas e não lineares entre sequências de nomes e o contexto geográfico.

• Fontes de Dados: O modelo é treinado em um corpus harmonizado de registros de registro de eleitores da Flórida, Geórgia e Carolina do Norte, combinado com o arquivo nacional de empréstimos do Programa de Proteção ao Pagamento de Salários (PPP). Os dados são mapeados para um sistema de cinco classes: Branco (Não Hispânico), Negro (Não Hispânico), Hispânico, Asiático/Ilhéu do Pacífico (Não Hispânico) e Outro.
• Recursos de Entrada (Features): O STRATA requer apenas uma string de nome e 13 recursos públicos do Censo (taxas de composição racial de grupo de bloco e de setor censitário, decis de renda média e população). Isso contrasta com outros métodos que exigem centenas de recursos engenheirados ou covariáveis específicas de arquivos de eleitores.
• Arquitetura:
  1. Modelo Base (LSTM+Geo): Uma rede Bidirectional Long Short-Term Memory (BiLSTM) empilhada processa sequências de nível de caractere de nomes próprios, nomes do meio e sobrenomes. Esses embeddings sequenciais são concatenados com recursos geográficos e socioeconômicos contínuos (dados de grupo de bloco e setor censitário). O modelo utiliza uma perda de entropia cruzada marginalizada personalizada para lidar com a ambiguidade de rótulos nos dados de treinamento (ex: categorias fundidas em conjuntos de dados estaduais específicos), permitindo que o modelo aprenda sem forçar confiança espúria em distinções não mensuradas.
  2. Ensemble (Filtro Pós-Processamento XGBoost): As probabilidades de classe fina do modelo base são alimentadas em um classificador de árvore de gradiente impulsionado por XGBoost. Este modelo secundário captura interações não lineares complexas e corrige erros residuais da rede neural. O ensemble utiliza um procedimento de stacking out-of-fold para evitar o overfitting.
• Estratégia de Treinamento: O modelo é treinado em um grande conjunto de dados de eleitores e validado em uma coorte nacional de PPP. Os autores empregam um protocolo de avaliação rigoroso onde todos os modelos são aplicados às mesmas coortes de retenção iniciais para garantir uma comparação justa, particularmente em relação à cobertura (a fração de registros para os quais uma previsão é retornada).

Principais Contribuições

1. Arquitetura Inovadora: O STRATA integra a modelagem de nomes em nível de caractere com a geografia em nível de setor, afastando-se das suposições de independência fixa dos métodos Bayesianos.
2. Redução de Viés: A principal contribuição é a redução significativa da Taxa de Falso Positivo (FPR) Branca — a taxa na qual indivíduos não brancos são classificados incorretamente como Brancos. Este modo específico de erro é identificado como o principal motor de medições de disparidade subestimadas.
3. Parsimônia e Capacidade de Implementação: Diferente de modelos concorrentes de alto desempenho (ex: ZRP que exige ~203 recursos, ou Argyle & Barber que exige 23 covariáveis específicas de arquivos de eleitores), o STRATA alcança desempenho superior usando apenas um nome e 13 recursos públicos do Censo, tornando-o implementável em conjuntos de dados de empréstimos de habitação, crédito e pequenas empresas onde dados de arquivos de eleitores não estão disponíveis.
4. Agregação Probabilística: O artigo demonstra que, para análises agregadas, o uso de probabilidades de classe somadas, em vez de rótulos argmax rígidos, melhora significativamente a recuperação de totais de grupo e estimativas de disparidade subsequentes.

Resultados
Avaliado em uma retenção de eleitores correspondente (N = 981.288) e uma retenção nacional de PPP (N = 124.914), o STRATA demonstra o seguinte:

• Desempenho na Retenção de Eleitores: O ensemble STRATA alcança 88,8% de acurácia e reduz o FPR Branco de 28,0% (BISG) para 17,8%, o mais baixo entre todos os métodos avaliados. Ele mantém 100% de cobertura condicional (prevendo para todos os registros elegíveis resolvidos por setor), enquanto o BISG e o BIFSG falham em prever para 10–22% dos registros devido a referências de nomes ausentes.
• Validação Nacional de PPP: Em uma coorte de tomadores de empréstimos de pequenas empresas identificados geograficamente em nível nacional, o ensemble STRATA alcança 88,5% de acurácia com um FPR Branco de 9,81%.
• Estudos de Ablação: A remoção de recursos geográficos reduz a acurácia em 2,8 pontos percentuais e aumenta o FPR Branco em 5,1 pontos, confirmando o valor da integração referenciada por setor.
• Transferência Geográfica: Modelos treinados sem dados estaduais específicos (ex: excluindo a Geórgia) retêm 85–87% de acurácia quando testados em coortes nacionais ou de estados não vistos (Nova York), indicando transferibilidade robusta.
• Mitigação de Viés para Baixo: Em uma análise de disparidade subsequente das taxas de perdão de empréstimos PPP, as estimativas ponderadas por probabilidade do STRATA aproximaram-se dos hiatos autorreferidos, enquanto os proxies de rótulo rígido (incluindo BISG) distorceram o hiato, reduzindo-o em direção a zero.

Significância e Alegações
O artigo posiciona o STRATA como uma ferramenta para análise de população agregada destinada a melhorar a medição de disparidades demográficas em crédito justo e equidade habitacional.

• Correção de Viés de Medição: Os autores afirmam que o STRATA aborda uma fonte específica de viés onde os métodos de aproximação predominantes (como o BISG) absorvem minorias na classe majoritária Branca, subestimando as disparidades reais. Ao reduzir o FPR Branco, o STRATA fornece uma linha de base mais precisa para a conformidade regulatória e pesquisa.
• Limitações e Escopo: Os autores declaram explicitamente que o STRATA não é preciso o suficiente para decisões transacionais de nível individual. O modelo é probabilístico e destinado à auditoria agregada pós-transação. O artigo reconhece limitações, incluindo a baixa recuperação da categoria "Outro" (devido à heterogeneidade), a falta de classes distintas para populações de Nativos do Havaí/Ilhéus do Pacífico e Americanos Indígenas/Alasca, e o potencial de degradação de desempenho em geografias ou períodos de tempo dissimilar aos dados de treinamento.
• Reprodutibilidade: Os autores fornecem um artefato público com arquivos de previsão desidentificados e código para reproduzir todos os resultados relatados, embora os pesos de treinamento proprietários sejam retidos por razões comerciais.

Em resumo, o STRATA oferece um métodoologicamente rigoroso, implementável e menos enviesado para as aproximações de raça, visando especificamente a redução da classificação incorreta correlacionada ao status socioeconômico que obscurece as disparidades de crédito justo.