不知道种族，怎样审计算法歧视？

一家银行想检查贷款系统是否对某些种族群体更苛刻，却没有记录客户的种族。它可以借助姓名和居住地推测群体归属，再比较各群体的批准率。但问题也随之而来：如果“你属于哪个群体”这一步就经常猜错，后面的公平性结论还能信多少？

Jerry Tuttle 在 R-bloggers 发布的测试，展示了 BISG 的计算方法，并用 Florida 选民登记数据检验预测表现。本文数字均来自这一次测试，并非公认基准。

它给出的不是身份，而是一组概率

BISG——Bayesian Improved Surname Geocoding，即“贝叶斯改进的姓氏地理编码”——利用姓氏和居住地区的人口构成，估计一个人属于不同种族群体的概率。它产生的是审计用的代理标签，不是对个人身份的确定判断。

文章用 Mary Johnson 举例。只看姓氏 Johnson，全国数据给出的 Black 概率是 0.3441，White 概率是 0.5438。加入她居住在 New Jersey 的 Essex County 这一信息后，Black 概率升至 0.7393。

这一步属于贝叶斯更新：先用姓氏形成初始概率，再根据当地各群体相对全国的分布重新加权。说白了，同一个姓氏，放在不同地区，推测结果可能不同。

作者还加入 first name。这个变体采用朴素贝叶斯假设——在已知种族的条件下，把姓氏、地区和名字视为彼此独立的线索，再将它们组合。加入 Mary 后，Black 概率变为 0.7158。经典 BISG 通常指“姓氏加地理信息”；加入名字的版本应当另作区分。上述计算可用 R 包 wru（Who are you?）完成，下载 Census 数据需要 Census API key。

88% 为什么可能很好看，却没那么有用？

为了检验预测，作者使用 Florida voter registration data，并把范围限制在 Lee County。清理异常邮编等问题后，样本包含 545,187 名登记选民：White 422,333 人，Hispanic 66,677 人，Black 32,407 人，Other 9,435 人，Asian 6,912 人，另有 7,423 人的种族记录为 NA，即缺失。

作者报告 BISG 的总体准确率为 88%。但这个数字容易误导，因为样本明显偏向 White。即使模型主要把人判为占绝对多数的群体，总体准确率也可能看起来不错。

因此，作者改看每个种族的 Balanced Accuracy，即“平衡准确率”：先看模型能找出多少该群体成员，也看它能否避免把其他人误判进来，再取两者平均。作者报告的结果分别为 Hispanic 0.9007、White 0.8226、Asian 0.7251、Black 0.7179、Other 0.5041。换句话说，同一个代理标签方法，对不同群体的可靠程度并不相同。

真正要审计的，也包括代理标签

这件事值得金融和保险业关注，因为公平性审计通常要比较不同群体获得贷款、定价或拒绝决定的比例与误差。机构没有敏感属性时，只能借助概率估计；但估计误差会继续传到审计结果中。

如果 BISG 更容易漏掉某一群体，审计可能低估该群体遭遇的不利差异；如果它把很多其他人误归进去，也可能高估差异。因此，“没有种族数据”并不等于无法审计，却意味着结论必须连同代理标签的不确定性一起解释。总体准确率尤其不能替代分群体检查。

局限与未知

这只有一个可核查信源。示例概率、88% 总体准确率和平衡准确率都来自作者的一次计算，不能当作 BISG 的通用表现。
作者称对照标签为 Florida 的“self-identified race data”，但材料没有充分说明标签如何收集、缺失值如何处理，也未完整交代预测阈值和混淆矩阵，因此无法独立复核结果。
测试只取 Lee County，且经历邮编映射与剔除；这些选择是否引入偏差，材料没有回答。