代理变量把被排除的属性重新引入模型
别名: 代理变量 · proxy discrimination · redundant encoding
概念解释
代理变量（proxy variable）指与被排除的敏感属性相关、从而能替代其发挥作用的特征：邮编之于居住隔离、消费记录之于收入与种族、学校名称之于阶层、用词风格之于语言社群。当敏感属性被禁用后，模型若从这些代理中获得预测力，它执行的就是代理歧视（proxy discrimination）——名义上没有使用敏感属性，实际上按敏感属性的影子做了决定。代理与无意冗余的差别在于可指认性：代理是明确的单一特征，冗余是弥散的特征组合。
机制
代理获得预测力有两条通路，伦理性质不同。其一是代理携带的信号本身有效：消费稳定性确实预测违约，学校质量确实预测部分能力——模型使用它是为准确性，群体差异作为副产品出现；这类代理难以简单禁止，因为禁掉它要付出预测力代价。其二是代理只作为敏感属性的替身：它本身与目标无关，唯一的「贡献」是标记出群体——模型用它等于用敏感属性本身。现实里多数代理介于两者之间，且会随数据规模变化：特征越多、粒度越细（精确到楼栋的坐标、逐笔的支付序列），任何代理的群体标记能力都越强。商业采集也在主动制造代理：购买力分层、生活方式标签、兴趣簇，这些产品化的中间变量正是敏感属性的商业化别名。
怎么研究
代理审计的标准做法：用被允许的特征训练敏感属性的预测器，单特征与特征组合分别测其贡献（单特征相关、留一法重要性、SHAP 类归因），高贡献特征即候选代理。第二层检验是「代理的哪部分有用」：把代理中与敏感属性正交的成分分离出来重训，若预测力大幅下降，说明模型用的大多是群体标记而非合法信号。研究变量包括代理与敏感属性的相关强度、目标变量的性质与特征粒度。方法论注意点：归因方法对相关特征的贡献分配不稳定（两个共线代理互相抢功劳），结论要以多种归因方法的一致性为准；审计结果本身敏感，须按敏感数据处理。
边界
代理不是一个有清晰边界的类别，而是连续谱：从「纯替身」（与目标无关只标群体）到「合法强信号」（与群体弱相关的真实预测因子），中间大片灰色地带。清理代理因此不是一次性工程而是持续监控——特征集每次扩充（埋点新增、外部数据接入）都会引入新代理。过度清理同样有代价：把一切与敏感属性相关的特征都删除，等于删掉社会经济语境本身，模型既丢预测力也丢对这个语境的理解，修正差异化影响反而更难。目标是区分「用了群体标记」与「用了真实信号」，不是消灭相关性。
怎么落地
- 建立代理审计的例行节点：特征集变更（新增埋点、接入外部数据、扩展市场）时必跑一次单特征与组合归因的代理检测。
- 对识别出的强代理做「正交成分检验」，确认模型依赖的是合法信号还是群体标记；后者移除，前者保留并记录权衡。
- 外部数据采购合同写明用途限制：禁止将人群标签类中间变量（购买力分层、生活方式簇）接入决策特征。
- 验证：季度对比「代理集合」清单的增减与输出群体差距的走势；新代理上线与差距扩大同步出现时，触发专项归因。