Race, Gender, and Statistical Representation: Predatory Mortgage Lending and the US Community Reinvestment Movement
Notice bibliographique
Résumé
American mortgage markets, once arenas of discrimination by exclusion, now operate as venues of segmentation and discrimination by inclusion: credit is widely available, but its terms vary enormously. One market segment involves sophisticated predatory practices in which certain groups of borrowers are targeted for high-cost credit that strips out home equity and worsens the risks of delinquency, default, and foreclosure. Unfortunately, it has become more difficult to measure inequalities of predatory lending: race–ethnicity and gender are ‘disappearing’ from the main public data source used to study, organize, and mobilize on issues of lending inequalities. In this paper, we present a mixed-methods case study of statistical representation of homeowners and homebuyers marginalized by race, ethnicity, and gender. A theoretical examination of official data-collection practices is followed by a discussion of alternative meanings of racial–ethnic and gender nondisclosure. Interviews with a sample of homeowners and homebuyers in the Washington, DC, area reveal some respondent ambivalence about the details of data-collection practices, but provide no consistent support for the idea that nonreporting is solely a matter of individual choice. Econometric analyses indicate that nondisclosure is driven primarily by lending-industry practices, with the strongest disparate impacts in African-American suburbs. Predatory lending is producing ambivalent spaces of racial-ethnic and gender invisibility, requiring new strategies in the reinvestment movement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».