Problema 2567

Las agencias gubernamentales de todo el mundo utilizan algoritmos basados en datos para asignar recursos de cumplimiento. Incluso cuando dichos algoritmos son formalmente neutrales con respecto a las características protegidas como la raza, existe una preocupación generalizada de que puedan cargar de manera desproporcionada a los grupos vulnerables. Estudiamos las diferencias en las tasas de auditoría del Servicio de Impuestos Internos (IRS) entre contribuyentes negros y no negros. Debido a que ni nosotros ni el IRS observamos la raza de los contribuyentes, empleamos una nueva estrategia de identificación parcial para estimar estas diferencias. A pesar de la selección de auditoría ciega a la raza, encontramos que los contribuyentes negros son auditados a una tasa de 2,9 a 4,7 veces mayor que la de los contribuyentes no negros. La fuente principal de la disparidad son las diferentes tasas de auditoría por raza entre los contribuyentes que reclaman el Crédito Tributario por Ingreso del Trabajo (EITC). Utilizando modelos de selección de auditoría contrafácticos, encontramos que maximizar la detección de impuestos no declarados no conduciría a que los contribuyentes negros sean auditados a tasas más altas. Por el contrario, ciertas políticas tienden a aumentar la tasa de auditoría de los contribuyentes negros: (1) diseñar algoritmos de selección de auditoría para minimizar la "tasa sin cambios"; (2) centrarse en los créditos reembolsables reclamados erróneamente en lugar de la subdeclaración total; y (3) limitar la proporción de declaraciones de EITC más complejas que pueden seleccionarse para auditoría. Nuestros resultados destacan cómo las elecciones aparentemente tecnocráticas sobre el diseño algorítmico pueden incorporar importantes valores de política y compensaciones.