The specific deterrence doctrine and labeling theory predict opposite effects of punishment on individual rates of deviance. The limited cross-sectional evidence available on the question is inconsistent, and experimental evidence has been lacking. The Police Foundation and the Minneapolis Police Department tested these hypotheses in a field experiment on domestic violence. Three police responses to simple assault were randomly assigned to legally eligible suspects: an arrest; advice (including, in some cases, informal mediation); and an order to the suspect to leave for eight hours. The behavior of the suspect was trackedfor six months after the police intervention, with both official data and victim reports. The official recidivism measures show that the arrested suspects manifested significantly less subsequent violence than those who were ordered to leave. The victim report data show that the arrested subjects manifested significantly less subsequent violence than those who were advised. The findings falsify a deviance amplification model of labeling theory beyond initial labeling, and fail to falsify the specific deterrence prediction for a group of offenders with a high percentage of prior histories of both domestic violence and other kinds of crime.

McCleary and Hay have made time series analysis techniques -- the Box-Jenkins or ARIMA methods -- accessible to the social scientist. Rejecting the dictum that time series analysis requires substantial mathematical sophistication, the authors take a clearly written, step-by-step approach. They describe the logic behind time series analysis, and its possible applications in impact assessment, causal modelling and forecasting, multivariate time series and parameter estimation.

Objectives: Discussions of fairness in criminal justice risk assessments typically lack conceptual precision. Rhetoric too often substitutes for careful analysis. In this article, we seek to clarify the trade-offs between different kinds of fairness and between fairness and accuracy. Methods: We draw on the existing literatures in criminology, computer science, and statistics to provide an integrated examination of fairness and accuracy in criminal justice risk assessments. We also provide an empirical illustration using data from arraignments. Results: We show that there are at least six kinds of fairness, some of which are incompatible with one another and with accuracy. Conclusions: Except in trivial cases, it is impossible to maximize accuracy and fairness at the same time and impossible simultaneously to satisfy all kinds of fairness. In practice, a major complication is different base rates across different legally protected groups. There is a need to consider challenging trade-offs. These lessons apply to applications well beyond criminology where assessments of risk can be used by decision makers. Examples include mortgage lending, employment, college admissions, child welfare, and medical diagnoses.

It is common practice in statistical data analysis to perform data-driven variable selection and derive statistical inference from the resulting model. Such inference enjoys none of the guarantees that classical statistical theory provides for tests and confidence intervals when the model has been chosen a priori. We propose to produce valid “post-selection inference” by reducing the problem to one of simultaneous inference and hence suitably widening conventional confidence and retention intervals. Simultaneity is required for all linear functions that arise as coefficient estimates in all submodels. By purchasing “simultaneity insurance” for all possible submodels, the resulting post-selection inference is rendered universally valid under all possible model selection procedures. This inference is therefore generally conservative for particular selection procedures, but it is always less conservative than full Scheffé protection. Importantly it does not depend on the truth of the selected submodel, and hence it produces valid inference even in wrong models. We describe the structure of the simultaneous inference problem and give some asymptotic results.