Xu hướng lựa chọn bồi thẩm đoàn?


14

Một người bạn đang đại diện cho một khách hàng kháng cáo, sau một phiên tòa hình sự trong đó có vẻ như lựa chọn bồi thẩm đoàn là sai lệch chủng tộc.

Nhóm bồi thẩm đoàn bao gồm 30 người, thuộc 4 nhóm chủng tộc. Công tố đã sử dụng những thách thức khắt khe để loại bỏ 10 người này khỏi nhóm. Số người và số lượng thử thách thực tế trong mỗi nhóm chủng tộc lần lượt là:

A: 10, 1
B: 10, 4
C:  6, 4
D:  4, 1
total: 30 in pool, 10 challenges

Bị cáo thuộc nhóm chủng tộc C và nạn nhân của nhóm chủng tộc A và D, vì vậy mối quan tâm hàng đầu là liệu nhóm C có bị thách thức quá mức và nhóm A và D bị thách thức không. Về mặt pháp lý (IIUC; IANAL), người bào chữa không cần phải chứng minh sự thiên vị chủng tộc, mà chỉ để chứng minh rằng dữ liệu dường như chỉ ra sự thiên vị, sau đó đặt gánh nặng lên công tố để giải thích từng thách thức không phân biệt chủng tộc.

Là phân tích sau đây đúng trong cách tiếp cận của nó? (Tôi nghĩ các tính toán là tốt.):

Có nCr (30,10) = 30,045,015 bộ riêng biệt gồm 10 thành viên nhóm. Trong số các bộ riêng biệt này, tôi tính rằng 433.377 bộ bao gồm cả hai (không quá 2 thành viên của nhóm A và D kết hợp) (không ít hơn 4 thành viên của nhóm C).

Do đó, cơ hội đạt được mức độ quan sát rõ ràng của các nhóm ủng hộ thiên vị A và D so với nhóm C (trong đó các phương tiện ủng hộ không bao gồm trong tập hợp 10 thách thức) sẽ là tỷ lệ của các nhóm này, 433/30045 = 1,44%.

Do đó, giả thuyết null (không có sai lệch như vậy) bị bác bỏ ở mức ý nghĩa 5%.

Nếu phân tích này là đúng về phương pháp, thì đâu là cách ngắn gọn nhất để mô tả nó trước tòa án, bao gồm một tài liệu tham khảo học thuật / chuyên nghiệp (tức là không phải Wikipedia)? Trong khi cuộc tranh luận có vẻ đơn giản, làm thế nào một người có thể chứng minh rõ ràng và ngắn gọn nhất cho tòa án rằng nó đúng, không phải là shenanigans?


Cập nhật: Câu hỏi này đã được xem xét như là một đối số thứ ba trong một bản tóm tắt kháng cáo. Do sự phức tạp về kỹ thuật (theo quan điểm của các luật sư) của cuộc thảo luận ở đây và thiếu tiền lệ pháp lý rõ ràng, luật sư đã chọn không nêu ra, vì vậy tại thời điểm này, câu hỏi chủ yếu là lý thuyết / giáo dục.

Để trả lời một chi tiết: Tôi tin rằng số lượng thử thách, 10, đã được đặt trước.

Sau khi nghiên cứu các câu trả lời và nhận xét chu đáo và đầy thách thức (cảm ơn, tất cả!), Dường như có 4 vấn đề riêng biệt ở đây. Đối với tôi, ít nhất, sẽ hữu ích nhất khi xem xét chúng một cách riêng biệt (hoặc nghe những lý lẽ tại sao chúng không thể tách rời.)

1) là việc xem xét của các dân tộc của cả hai bị cáo và nạn nhân, trong những thách thức hồ bơi ban giám khảo, quan tâm quy phạm pháp luật tiên nghiệm ? Mục tiêu của tranh luận kháng cáo sẽ chỉ là đưa ra mối quan tâm hợp lý, điều này có thể dẫn đến một án lệnh tư pháp mà công tố nêu rõ lý do cho mỗi thách thức cá nhân. Đây dường như không phải là một câu hỏi thống kê, mà là một câu hỏi xã hội / pháp lý, theo quyết định của luật sư để nâng cao hay không.

2) Giả sử (1), là sự lựa chọn của tôi về một giả thuyết thay thế (chất lượng: thiên vị chống lại Hội thẩm người chia sẻ cuộc đua của bị đơn, ủng hộ của những người chia sẻ cuộc đua của các nạn nhân) chính đáng, hoặc là nó impermissibly bài hoc ? Từ quan điểm giáo dục của tôi, đây là câu hỏi khó hiểu nhất - vâng, tất nhiên người ta sẽ không nêu ra nếu người ta không quan sát nó! Vấn đề, theo tôi hiểu, là sự lựa chọn thiên vị: các bài kiểm tra của một người nên xem xét không chỉ nhóm bồi thẩm đoàn này mà cả vũ trụ của tất cả các nhóm bồi thẩm như vậy, bao gồm tất cả những người mà quốc phòng không quan sát thấy sự khác biệt và do đó không muốn đưa ra vấn đề . Làm thế nào để một địa chỉ này? (Ví dụ: bài kiểm tra của Andy giải quyết vấn đề này như thế nào?) Nó xuất hiện, mặc dù tôi có thể sai về điều này, rằng hầu hết những người được hỏi không gặp rắc rối bởi khả năng hậu hocCác xét nghiệm 1 đuôi cho sự thiên vị chỉ chống lại nhóm của bị đơn. Làm thế nào nó sẽ khác nhau về phương pháp để kiểm tra đồng thời sai lệch cho các nhóm nạn nhân, giả sử (1)?

3) Nếu người ta quy định lựa chọn của tôi về một giả thuyết thay thế định tính như đã nêu trong (2), thì một thống kê thích hợp để kiểm tra nó là gì? Đây là lúc tôi cảm thấy bối rối nhất với các câu trả lời, bởi vì tỷ lệ mà tôi đề xuất dường như là một sự tương tự bảo thủ hơn một chút của thử nghiệm Andy cho giả thuyết thay thế "thiên vị chống lại C" đơn giản hơn (bảo thủ hơn vì thử nghiệm của tôi cũng tính tất cả các trường hợp ở phần đuôi, không chỉ là số lượng quan sát chính xác.)

Cả hai thử nghiệm đều là các phép thử đếm đơn giản, có cùng mẫu số (cùng vũ trụ mẫu) và với tử số tương ứng chính xác với tần số của các mẫu tương ứng với các giả thuyết thay thế tương ứng. Vậy @whuber, tại sao nó không đúng với bài kiểm tra đếm của tôi như của Andy rằng nó "có thể dựa trên các giả thuyết null [giống nhau] và thay thế [như được mô tả] và được chứng minh bằng cách sử dụng bổ đề Neyman-Pearson"?

4) Nếu một trong những quy định (2) và (3), có những tài liệu tham khảo trong án lệ nào có thể thuyết phục một tòa phúc thẩm hoài nghi không? Từ bằng chứng cho đến nay, có lẽ không. Ngoài ra, ở giai đoạn kháng cáo này không có cơ hội cho bất kỳ "nhân chứng chuyên gia" nào, vì vậy tài liệu tham khảo là tất cả.


Câu hỏi được cập nhật (nối thêm) sau khi nghiên cứu câu trả lời và bình luận.
JD ngày

Cảm ơn bạn cho một bản tóm tắt tuyệt vời! Để trả lời điểm (3), mối quan tâm của tôi là bài kiểm tra của bạn (nếu tôi hiểu đúng) chấp nhận một giả thuyết thay thế được thúc đẩy bởi chính dữ liệu. Do đó, nó dường như đã được xây dựng một posteriori để làm cho kết quả dường như mạnh nhất có thể. Một bài kiểm tra đó được dựa trên dự đoán rộng nhất có thể, lớp có liên quan lựa chọn thay thế một tiên nghiệm , và tiến hành với một khu vực từ chối Neyman-Pearson, có một nền tảng logic mạnh hơn và ít chịu sự chỉ trích rằng nó đã được vẫn đề xuất sau khi nhìn thấy dữ liệu.
whuber

Cảm ơn, @whuber đó là một lời chỉ trích hợp lý và hữu ích - rất nhiều những gì tôi đã hỏi về từ đầu. Nhưng điều đó có khiến tôi (2) thất bại, thậm chí trước đó (3) không? Nếu vậy, thì (3) của tôi dường như vẫn chưa được trả lời - tức là đây có phải là một thống kê tốt nếu một quy định (2) không?
JD ngày

Câu trả lời:


7

Đây là cách tôi có thể tiếp cận trả lời câu hỏi của bạn bằng các công cụ thống kê tiêu chuẩn.

Dưới đây là kết quả phân tích probit về xác suất bị từ chối đưa ra thành viên nhóm của bồi thẩm.

Đầu tiên, đây là dữ liệu trông như thế nào. Tôi có 30 quan sát về nhóm và một chỉ số bị từ chối nhị phân:

. tab group rejected 

           |       rejected
     group |         0          1 |     Total
-----------+----------------------+----------
         A |         9          1 |        10 
         B |         6          4 |        10 
         C |         2          4 |         6 
         D |         3          1 |         4 
-----------+----------------------+----------
     Total |        20         10 |        30 

Dưới đây là các hiệu ứng cận biên riêng lẻ cũng như thử nghiệm chung:

. qui probit rejected ib2.group

. margins rb2.group

Contrasts of adjusted predictions
Model VCE    : OIM

Expression   : Pr(rejected), predict()

------------------------------------------------
             |         df        chi2     P>chi2
-------------+----------------------------------
       group |
   (A vs B)  |          1        2.73     0.0986
   (C vs B)  |          1        1.17     0.2804
   (D vs B)  |          1        0.32     0.5731
      Joint  |          3        8.12     0.0436
------------------------------------------------

--------------------------------------------------------------
             |            Delta-method
             |   Contrast   Std. Err.     [95% Conf. Interval]
-------------+------------------------------------------------
       group |
   (A vs B)  |        -.3    .181659     -.6560451    .0560451
   (C vs B)  |   .2666667   .2470567     -.2175557     .750889
   (D vs B)  |       -.15   .2662236     -.6717886    .3717886
--------------------------------------------------------------

Ở đây chúng tôi đang kiểm tra các giả thuyết riêng lẻ rằng sự khác biệt về xác suất bị từ chối đối với nhóm A, C và D so với nhóm B là bằng không. Nếu mọi người đều có khả năng bị từ chối như nhóm B, thì đây sẽ là con số không. Phần đầu ra cuối cùng cho chúng ta biết rằng các bồi thẩm nhóm A và D ít có khả năng bị từ chối, trong khi các bồi thẩm nhóm C có nhiều khả năng bị từ chối. Những khác biệt này không có ý nghĩa thống kê riêng lẻ, mặc dù các dấu hiệu đồng ý với phỏng đoán thiên vị của bạn.

Tuy nhiên, chúng ta có thể bác bỏ giả thuyết chung rằng ba điểm khác biệt đều bằng 0 tại .p= =0,0436


Phụ lục:

Nếu tôi kết hợp các nhóm A và D thành một vì chúng chia sẻ các cuộc đua của nạn nhân, kết quả probit sẽ mạnh hơn và có sự đối xứng đẹp:

Contrasts of adjusted predictions
Model VCE    : OIM

Expression   : Pr(rejected), predict()

------------------------------------------------
             |         df        chi2     P>chi2
-------------+----------------------------------
      group2 |
 (A+D vs B)  |          1        2.02     0.1553
   (C vs B)  |          1        1.17     0.2804
      Joint  |          2        6.79     0.0336
------------------------------------------------

--------------------------------------------------------------
             |            Delta-method
             |   Contrast   Std. Err.     [95% Conf. Interval]
-------------+------------------------------------------------
      group2 |
 (A+D vs B)  |  -.2571429   .1809595      -.611817    .0975313
   (C vs B)  |   .2666667   .2470568     -.2175557     .750889
--------------------------------------------------------------

Điều này cũng cho phép chính xác của Fisher đưa ra kết quả phù hợp (mặc dù vẫn không ở mức 5%):

 RECODE of |       rejected
     group |         0          1 |     Total
-----------+----------------------+----------
       A+D |        12          2 |        14 
         B |         6          4 |        10 
         C |         2          4 |         6 
-----------+----------------------+----------
     Total |        20         10 |        30 

          Pearson chi2(2) =   5.4857   Pr = 0.064
           Fisher's exact =                 0.060

Cảm ơn, rất cảm kích! Bạn có thể giúp tôi hiểu các vấn đề phương pháp luận ở đây? Cụ thể, (1) các thử nghiệm so sánh không mong muốn (IIUC) mặc dù có những đặc điểm của mối quan tâm tiên nghiệm và (2) lý do để sử dụng thử nghiệm đưa ra các giả định phân phối thay vì chỉ lập luận kết hợp?
JD ngày

Tôi không chắc là tôi hiểu (1). Đối với (2), tôi nhận được kết quả rất giống với mô hình logit, đưa ra các giả định phân phối khác nhau, do đó có một số mạnh mẽ. Không có đủ dữ liệu để làm một cái gì đó ít tham số hơn, mặc dù đó có thể là sự thiếu hiểu biết của riêng tôi trong lĩnh vực này.
Dimitriy V. Masterov

1
Lại (1). Ý tôi là - có vẻ như bài kiểm tra của bạn là 2 đuôi, trong khi mối quan tâm tiên nghiệm sẽ cho phép 1 đuôi?
JD ngày

1
Một khía cạnh của phân tích này khiến tôi không yên tâm là ý nghĩa rõ ràng của nó (dù ở mức 5%) không chỉ do những thách thức xảy ra trong nhóm C mà còn do những thách thức tương đối ít ỏi trong nhóm A. không liên quan: nó có bị nghi ngờ là tiên nghiệm không? Vai trò ưa thích của nhóm C là rõ ràng (phù hợp với nhóm của Bị đơn), nhưng vai trò được ưu tiên đối với bất kỳ nhóm nào khác - hoặc thậm chí (bất bình đẳng) về mặt bất bình đẳng giữa các nhóm khác - dường như không có liên quan đến khiếu nại của Bị cáo về phân biệt đối xử với họ dựa trên nhóm của họ .
whuber

BTW, có vẻ như bạn đã tiến hành phân tích nhóm B chứ không phải nhóm C.
whuber

3

Tôi nghĩ rằng việc giới thiệu một phương pháp thống kê ad hoc sẽ không có kết quả với tòa án. Tốt hơn là sử dụng các phương pháp là "thực hành tiêu chuẩn". Nếu không, bạn có thể có được để chứng minh trình độ của bạn để phát triển các phương pháp mới.

Nói rõ hơn, tôi không nghĩ rằng phương pháp của bạn sẽ đáp ứng tiêu chuẩn Daubert. Tôi cũng rất nghi ngờ rằng phương pháp của bạn có bất kỳ tài liệu tham khảo học thuật nào. Bạn có thể sẽ phải đi theo con đường thuê một nhân chứng chuyên gia thống kê để giới thiệu nó. Nó sẽ dễ dàng bị phản tác dụng, tôi nghĩ vậy.

Câu hỏi cơ bản ở đây có khả năng là: "Thử thách của ban giám khảo có độc lập với việc phân nhóm chủng tộc không?"

Đây là những con số nhỏ được áp dụng các phương pháp thống kê dựa trên tiệm cận. Tuy nhiên, "tiêu chuẩn" cho liên kết thử nghiệm trong cài đặt này làχ2

> M <- as.table(cbind(c(9, 6, 2, 3), c(1, 4, 4, 1)))
> dimnames(M) <- list(Group=c("A", "B", "C", "D"), Challenged=c("No", "Yes"))
> M
     Challenged
Group No Yes
    A  9   1
    B  6   4
    C  2   4
    D  3   1

> chisq.test(M)

        Pearson's Chi-squared test

data:  M
X-squared = 5.775, df = 3, p-value = 0.1231

Warning message:
In chisq.test(M) : Chi-squared approximation may be incorrect

Sử dụng thử nghiệm chính xác của Fisher cho kết quả tương tự:

> fisher.test(M)

        Fisher's Exact Test for Count Data

data:  M
p-value = 0.1167
alternative hypothesis: two.sided

Lưu ý về giả thuyết là hai mặt áp dụng cho trường hợp 2×2

Giải thích của tôi là không có nhiều bằng chứng để tranh luận về sự thiên vị chủng tộc.


1
χ2

Cảm ơn, @jvbraun, quan điểm của bạn về phương pháp ad hoc là không đi có vẻ thuyết phục; mặc dù việc đếm và chia không có vẻ gì đặc biệt lập dị đối với tôi, nhưng rõ ràng những người khác không thấy nó có sức thuyết phục!
JD ngày

Đây thực sự là một trong những trường hợp trong đó các lề được cố định, do đó, thử nghiệm chính xác của Fisher sẽ dễ chấp nhận hơn đối với nhiều người. Trong cuộc thảo luận của bạn về Daubert, bạn có một chút ngược lại, một khi bạn gọi cho một chuyên gia thì họ phải chịu một chuyển động của Daubert. . Tôi nghi ngờ bất kỳ kỹ thuật thống kê nào có luật học trong những trường hợp cụ thể này.
Andy W

χ2

χ22/24/6

3

Tôi đã hỏi một câu hỏi tương tự trước đây (để tham khảo ở đây là trường hợp cụ thể mà tôi thảo luận). Quốc phòng cần đơn giản chỉ ra một trường hợp phân biệt đối xử prima facia trong các thách thức Batson (giả định luật hình sự của Hoa Kỳ) - vì vậy các bài kiểm tra giả thuyết có lẽ là một gánh nặng lớn hơn mức cần thiết.

Vì vậy đối với:

  • n=30
  • p=6
  • k=4
  • d=10

Câu trả lời trước của Whuber đưa ra xác suất kết quả cụ thể này được quyết định bởi phân phối siêu bội :

(pk)(npdk)(nd)

Wolfram-Alpha nói bằng trong trường hợp này:

(64)(306104)(3010)=7611310.07

Thật không may, tôi không có tài liệu tham khảo ngoài các liên kết tôi đã cung cấp - Tôi tưởng tượng bạn có thể khai thác một tài liệu tham khảo phù hợp để phân phối siêu bội từ trang Wikipedia.

Điều này bỏ qua câu hỏi về việc các nhóm chủng tộc A và D có "bị thách thức" hay không. Tôi nghi ngờ bạn có thể đưa ra một lập luận pháp lý cho vấn đề này - nó sẽ là một bước ngoặt kỳ lạ về điều khoản bảo vệ bình đẳng, Nhóm đặc biệt này quá được bảo vệ! , mà tôi không nghĩ sẽ bay. (Tôi không phải là một luật sư - vì vậy hãy mang theo một hạt muối.)

(3010)hoán vị, cho nó một xác suất theo null của các nhóm chủng tộc được lựa chọn như nhau theo tỷ lệ của chúng trong địa điểm, và sau đó tính toán phân phối chính xác của thống kê kiểm tra của bạn theo null. Tôi không chắc chắn những gì thống kê kiểm tra là thỏa đáng mặc dù,χ2không thực sự trả lời câu hỏi quan tâm. (Có ổn không khi bạn tạo ra thống kê kiểm tra của riêng mình - Tôi không biết?)


Tôi đã cập nhật một số suy nghĩ của tôi trong một bài đăng trên blog . Bài đăng của tôi là dành riêng cho Thử thách Batson, vì vậy không rõ liệu bạn có tìm kiếm tình huống khác không (các cập nhật của bạn cho 1 và 2 không có ý nghĩa trong bối cảnh Thử thách Batson.)

Tôi đã có thể tìm thấy một bài viết liên quan (có sẵn đầy đủ tại liên kết):

Sinh nở, JL (2005). Nhận xét trường hợp: kiểm tra thống kê để phân tích dữ liệu về các thách thức khắt khe: làm rõ tiêu chuẩn bằng chứng cần thiết để thiết lập trường hợp phân biệt đối xử prima facie ở Johnson v. California. Luật, Xác suất và Rủi ro , 4 (3), 179-185.

Điều đó đã đưa ra gợi ý tương tự cho việc sử dụng phân phối siêu bội. Trong bài đăng trên blog của tôi, tôi chỉ ra cách bạn thu gọn các danh mục thành hai nhóm, nó tương đương với thử nghiệm Chính xác của Fisher.

Gastwirth gợi ý như tôi đã làm trong nhận xét của mình mà bạn có thể xem xét k như thống kê kiểm tra, và do đó thêm xác suất k= =5k= =6ở trên nếu bạn thích. Gastwirth cũng đưa ra một ví dụ để tính toán thống kê kiểm tra dựa trên việc thay đổi số lượngntrong bể bồi thẩm đoàn. Trong bài đăng trên blog của tôi, tôi chỉ tiến hành phân tích độ nhạy cho các mức độ khác nhau củand (đối với một trường hợp khác) để cung cấp phạm vi tỷ lệ phần trăm có thể.

Nếu ai đó biết về án lệ thực sự sử dụng điều này (hoặc bất cứ điều gì ngoài phân số), tôi sẽ thấy hứng thú.


1
Cảm ơn, Andy. (1) Người bạn luật sư của tôi nghĩ là hoàn toàn chấp nhận / hữu ích để khẳng định rằng C đã bị thách thức quá mức và A bị thách thức. (2) Bạn nói "thống kê kiểm tra gì". Tôi thấy khó hiểu - bạn đang sử dụng thống kê kiểm tra nào khi tính 0,07 bằng siêu âm? Những gì nó làm là tính xác suất như tỷ lệ của các trường hợp nghi ngờ trên tổng số trường hợp. Tương tự như vậy, đó chính xác là những gì phân tích của tôi làm, ngoại trừ xác định các trường hợp nghi ngờ hẹp hơn bạn làm.
JD ngày

@JonathanMarch - Tôi không sử dụng thống kê kiểm tra. Đây là xác suất của 4 trong số 6 lớp C được chọn ngẫu nhiên (với các điều kiện khác) theo phân phối siêu bội. Tôi hiểu động cơ của các bài kiểm tra định hướng, nhưng đây không phải là trường hợp kiểm tra t thông thường. Trong trường hợp đó, bạn có phân phối null liên tục, vì vậy để đưa ra giá trị p, bạn cần xác định thay thế là một khu vực. Không có nhu cầu ngầm để làm điều đó với phân phối PMF như ở đây.
Andy W

1
Nếu bạn muốn, bạn có thể thêm xác suất k= =5k= =6 để 0,07ở trên, nhưng tất nhiên điều đó sẽ chỉ làm tăng xác suất được liệt kê ở trên. Tính toán ban đầu của bạn là giả định tất cả các hoán vị tiềm năng đều có khả năng như nhau. Điều mà tôi nghĩ là có thể phòng thủ được, nhưng tôi tin rằng việc chỉ định quá trình tạo dữ liệu là siêu âm là thực tế hơn. Việc phân vùng trong câu hỏi của bạn tôi thấy trực quan nhưng đặc biệt, tôi thấy không có lý do gì để diễn giải nó như một xác suất theo bất kỳ ý nghĩa nào.
Andy W

1
(+1) Thống kê kiểm tra là số lượng thử thách đối với nhóm C. Điều này hợp lệ và phù hợp vì C có thể được xác định là một tiên nghiệm là chủng tộc của bị đơn. Phân tích của Andy là hoàn toàn phù hợp (và khá mạnh mẽ) khi cho rằng 10 thử thách khốc liệt đã được khắc phục trước. Tôi tin rằng (nhưng sẽ cần phải kiểm tra) rằng đó là một xấp xỉ tốt với giả định số lượng thử thách khinh miệt là ngẫu nhiên. Logic rất đơn giản và ngọt ngào: nếu các thử thách được chỉ định ngẫu nhiên cho 30 người, thì khả năng 4 hoặc nhiều thử thách được thực hiện cho nhóm C là gì? Câu trả lời là86/11317.6%.
whuber

1
Jonathan, vì lợi ích của bạn, tôi sẽ cho bạn một khoảng thời gian khó khăn (giống như một chuyên gia đối lập sẽ làm). Tôi tin rằng cách tiếp cận của bạn không hợp lệ vì bạn sử dụng một thống kê ad hoc mà không có lý do biện minh; nó dường như được xây dựng chỉ để tạo ra một giá trị p nhỏ. Thống kê của Andy có thể dựa trên các giả thuyết không có giá trị và thay thế được quy định và được chứng minh bằng cách sử dụng bổ đề Neyman-Pearson. Thống kê của bạn dường như được dựa trên một bài kiểm tra kết quả sau đại học và dường như không tương ứng với bất kỳ giả thuyết thay thế nào đã được khẳng định trước đó (nghĩa là độc lập) của tiếng nói voir .
whuber

0

Chúng ta đừng quên vấn đề thử nghiệm nhiều. Hãy tưởng tượng 100 luật sư bào chữa mỗi người tìm kiếm căn cứ để kháng cáo. Tất cả các từ chối bồi thẩm đã được thực hiện bằng cách lật đồng xu hoặc súc sắc cho mỗi bồi thẩm viên tiềm năng. Do đó, không có sự từ chối nào là sai lệch chủng tộc.

Mỗi người trong số 100 luật sư hiện làm bất kỳ bài kiểm tra thống kê nào mà tất cả các bạn đều đồng ý. Khoảng năm trong số 100 người đó sẽ bác bỏ giả thuyết khống về "không thiên vị" và có cơ sở để kháng cáo.


IIUC, họ sẽ tìm kiếm căn cứ để thẩm phán ra lệnh kiểm tra lý do từ chối của từng cá nhân. Nó thực sự sẽ là một vấn đề nếu một cuộc kiểm tra như vậy xảy ra ở 5 trong số 100 trường hợp đó?
JD ngày
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.