통계적 차별은 경제 주체(소비자, 근로자, 고용주 등)가 상호 작용하는 개인에 대한 불완전한 정보를 가질 때 그 사람이 속한 집단의 평균적 특성과 같은 통계 자료에 기반하여 이루어지는 차별이다.[1] 이 이론에 따르면 경제 주체가 합리적이고 편견이 없는 경우에도 인구 통계학적 그룹 간에 불평등이 존재하고 지속될 수 있다. 인종 차별, 성 차별주의 등을 사용하여 그룹의 다양한 노동 시장 결과를 설명하는 선호 기반 차별과 대조된다.
통계적 차별 이론은 케네스 애로 (1973)와 에드먼드 펠프스 (1972)에 의해 개척되었다.[2] "통계적 차별"이라는 이름은 고용주가 고용 결정을 내리는 방식과 관련이 있다. 지원자의 생산성에 대한 정보가 불완전하기 때문에 생산성을 추론하기 위해 자신이 속한 그룹에 대한 통계 정보를 사용한다. 소수 집단이 초기에 덜 생산적이라면(역사적 차별로 인해 또는 나쁜 균형을 탐색했기 때문에), 이 집단의 각 개인은 덜 생산적인 것으로 가정되고 차별이 발생한다.[3] 이러한 유형의 차별은 차별받는 그룹의 비정형 개인이 시장에 참여하는 것을 기피하거나[4], 자신의 기술을 (평균) 투자 수익(교육 등)은 비차별 그룹보다 적다.[5]
관련된 형태의 (이론화된) 통계적 차별은 신청자가 고용주에게 보내는 신호의 차이를 기반으로 한다. 이 신호는 지원자의 생산성을 보고하지만 시끄럽다. 지원자가 동일한 명목 평균 이상의 신호를 갖고 있더라도 그룹의 평균이 다른 경우 차별이 발생할 수 있다. 평균 으로의 회귀는 더 높은 평균 그룹의 구성원이 더 높은 참 값을 가질 가능성이 더 높기 때문에 덜 회귀한다는 것을 의미한다. 반면 낮은 평균 그룹 구성원은 더 많이 회귀하고 신호는 그룹 구성원이 무시되면 해당 값을 과대평가한다("Kelley's paradox"[6]). 동일한 평균을 가정하더라도 신호의 그룹 분산 (즉, 신호가 얼마나 잡음이 많은지)에서도 식별이 발생할 수 있다. 분산 기반 차별이 발생하려면 의사 결정자가 위험을 회피 해야 한다. 그러한 의사 결정자는 분산이 낮은 그룹을 선호한다.[7] 이론적으로 동일한 두 그룹(평균 및 분산을 포함한 모든 측면에서)을 가정하더라도 위험 회피 의사 결정자는 신호 오류 항 을 최소화하는 측정(신호, 테스트)이 존재하는 그룹을 선호한다.[7] 예를 들어, 두 명의 개인 A와 B가 이론적으로 전체 모집단의 평균보다 훨씬 높은 테스트 점수를 가지고 있다고 가정한다. 그런 다음 A와 B의 두 사람이 동일한 작업에 지원하면 점수가 더 신뢰할 수 있는 추정치로 인식되어 위험 회피 의사 결정자가 B의 점수를 다음과 같이 보고 A를 고용한다. 운이 좋을 확률이 높다. 반대로, 두 그룹이 평균보다 낮으면 그룹 A의 음수 점수가 더 나은 추정치로 여겨지기 때문에 B를 고용한다. 이것은 고용 기회의 차이를 발생시킬 뿐만 아니라 다른 그룹의 평균 임금에도 영향을 미친다. 신호 정확도가 낮은 그룹은 임금을 낮추기 위해 불균형적으로 고용된다.[8]