MARC

 008260126s2025        us                              c    eng  d
■001000017356812
■00520260202103040
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286424238
■035    ▼a(MiAaPQ)AAI31847662
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a614
■1001  ▼aPhilip,  Minu.
■24510▼aEssays  on  Bias  and  Disparate  Treatment
■260    ▼a[Sl]▼bNew  York  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a213  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Ray,  Debraj;Rotemberg,  Martin.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2025.
■520    ▼aThis  dissertation  examines  how  bias  shapes  decision-making  across  varied  contexts.  The  three  chapters  apply  distinct  empirical  methods  in  the  contexts  of  healthcare  provision,  fertility  choice,  and  social  behavior,  to  detect  bias  in  decision-making  and  uncover  the  mechanisms  driving  it.In  "Disparate  Treatment  and  Outcomes  in  Emergency  Departments:  Evidence  from  Florida,"  Ozde  Ozkaya  and  I  study  racial  disparity  in  stroke  diagnosis  in  emergency  departments.  Strokes  are  roughly  twice  more  likely  to  be  missed  among  Black  patients  compared  to  non-Black  patients,  with  most  of  the  disparity  arising  from  physicians  testing  Black  patients  less  often.  To  quantify  the  role  of  disparate  treatment  in  driving  this  difference  in  testing,  we  leverage  a  unique  feature  of  strokes:  whether  a  patient  actually  had  a  stroke  can  be  inferred  retrospectively  even  if  initially  misdiagnosed.  This  allows  us  to  benchmark  testing  decisions  against  racially  objective  predictions  of  stroke  risk  made  by  a  machine  learning  model  trained  on  the  true  underlying  stroke  states.  We  then  decompose  disparate  treatment  into  two  forces:  an  unjustified  skill  gap,  where  physicians  make  noisier  risk  assessments  for  Black  patients;  and  racial  prejudice,  where  physicians  are  less  likely  to  test  Black  patients  conditional  on  their  risk  assessment."Who  is  Sex-Selecting,  and  When?"  offers  another  lens  into  how  biases  affect  decision-making.  It  studies  fertility  choices  of  parents  in  India  who  typically  have  a  strong  preferential  bias  for  sons  over  daughters.  Such  parents  are  known  to  engineer  the  sex-composition  of  their  children  using  prenatal  sex-selective  abortions  or  continued  childbearing  until  their  desired  number  of  sons  are  born.  I  propose  and  empirically  validate  a  general  heuristic  that  describes  when  parents  decide  to  sex-select.  Using  data  on  mothers'  birth  history  and  self-reported  ideal  number  of  children,  I  define  relative  birth  orders  for  each  child  indicating  how  far  each  birth  is  from  the  mother's  ideal  number  of  children.  Examining  birth  sex-ratios  at  various  relative  orders,  I  find  the  ratio  of  male-to-female  births  to  be  the  highest  when  mothers'  are  at  their  ideal  number  of  children.  This  suggests  a  heuristic  whereby  parents  sex-select  when  at  their  ideal  number,  to  avoid  exceeding  it.  I  empirically  validate  this  heuristic  by  exploiting  the  natural  orthogonality  between  sex  assigned  at  birth  and  the  preceding  birth  interval.  This  orthogonality  breaks  down  with  sex-selective  abortion  that  results  in  artificially  longer  intervals  before  male  births.  Following  birth  histories  with  few  or  no  sons,  I  find  intervals  preceding  male  births  to  be  longer  among  mothers  who  are  at  their  ideal  parity-just  as  the  heuristic  suggests.The  final  chapter,  "Group-Bias  in  Interpersonal  Interactions,"  explores  what  generates  group-bias.  Is  it  an  effect  of  salience  in  group  categorization,  or  is  what  appears  to  be  group-bias  merely  a  consequence  of  strategic  behavior  to  gain  from  the  interdependence  of  payoffs?  Using  groups  induced  in  the  lab,  I  experimentally  manipulate  payoff  structures  to  find  subjects  favoring  their  assigned  in-group  even  when  their  respective  in-groups  cannot  affect  their  payoffs.  Categorization  is  hence  a  sufficient  source  of  group  bias  that  operates  even  in  the  absence  of  any  expectations  of  generalized  reciprocity  or  other  strategic  pecuniary  interests.  Crucially,  individuals  care  about  how  they're  perceived  by  their  in-group,  indicating  that  group  bias  stems  not  merely  from  the  salience  of  group  categories  but  from  meaningful  group  identification  grounded  in  the  non-pecuniary  value  of  affiliation,  as  proposed  by  group  identity  theory.  Positive  evaluation  by  the  in-group  reinforces  group  bias,  while  negative  evaluation  leads  to  disidentification  and  disregard  for  group  categorization.
■590    ▼aSchool  code:  0146.
■650  4▼aPublic  health
■650  4▼aMedicine
■653    ▼aBias
■653    ▼aDisparate  treatment
■653    ▼aMachine  learning
■653    ▼aSon-preference
■653    ▼aEmergency  departments
■690    ▼a0501
■690    ▼a0573
■690    ▼a0564
■690    ▼a0800
■690    ▼a0769
■71020▼aNew  York  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356812▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서