统计歧视是一种试图解释种族和性别不平等的经济理论。该理论试图解释劳动力市场中种族貌相和基于性别的歧视的存在和持久性，即使相关经济行为体没有公开的偏见。统计歧视理论的先驱是美国经济学家肯尼斯·阿罗（Kenneth Arrow）和埃德蒙·菲尔普斯（Edmund Phelps），但自其诞生以来，人们对其进行了进一步的研究和阐述。​

从经济学角度界定统计歧视

据说，当经济决策者使用个人的可观察特征，如用于对性别或种族进行分类的身体特征，作为与结果相关的其他不可观察特征的代理时，就会出现统计歧视现象。因此，在缺乏关于个人生产力、资历甚至犯罪背景的直接信息的情况下，决策者可以用群体平均数（真实的或想象的）或刻板印象来填补信息空白。因此，理性的决策者利用群体的总体特征来评估个人特征，这些特征可能导致属于某些群体的个人受到不同于其他群体的待遇，即使他们在其他方面都很相似。

根据这一理论，即使经济主体（消费者、工人、雇主等）是理性和非偏见的，人口群体之间也可能存在并持续不平等。这种优惠待遇被称为“统计性”的，因为刻板印象可能基于受歧视群体的平均行为。

一些统计歧视研究者为决策者的歧视行为增加了另一个维度：风险厌恶。通过增加风险厌恶的维度，统计歧视理论可以用来解释决策者的行为，比如招聘经理对方差较低的群体（感知的或真实的）表现出偏好。举个例子，一位经理属于同一种族，有两个相同的候选人供考虑：一个属于经理的共同种族，另一个属于不同种族。管理者可能会比其他种族的申请人在文化上更适应自己种族的申请人，因此，认为他或她对自己种族的申请人的某些与结果相关的特征有更好的衡量。该理论认为，厌恶风险的管理者会倾向于选择某个群体中的申请人，该群体中存在一些将风险降至最低的衡量标准，这可能会导致对他或她自己种族的申请人的出价高于其他种族的申请人（在所有其他条件相同的情况下）。

统计歧视的两个来源

与其他歧视理论不同，统计歧视并不假定决策者对某一特定种族或性别有任何敌意甚至偏好偏见。事实上，统计歧视理论中的决策者被认为是理性的、追求信息的利润最大化者。

人们认为，统计歧视和不平等有两个根源。第一种被称为“第一时刻”的统计歧视发生在被认为是决策者对不对称信念和成见的有效反应时。当女性的工资低于男性时，可能会引发第一时间的统计歧视，因为女性被认为平均生产力较低。

不平等的第二个来源被称为“二阶矩”统计歧视，这是歧视自我强化循环的结果。该理论认为，受歧视群体中的个体最终会因“第一时刻”统计歧视的存在而不愿意在这些与结果相关的特征上取得更高的成绩。也就是说，例如，来自受歧视群体的个人可能不太可能获得与其他候选人平等竞争的技能和教育，因为他们的平均或假定这些活动的投资回报低于非歧视群体。