基本內容
統計性歧視即個體的情況都被按其所屬群體的平均情況而非個人特徵來加以處理。
一個常見的例子是國家機構或企業篩選人員的依據是他們所上的大學。僱主可能發現從更好的學校畢業的人均生產率比較高；而且，由於各校評分標準不同，很難對各校學生的學習成績進行評估和比較。因此，僱主更多地是根據他們畢業的學校而非成績或實力來選擇雇員。但如果進行一種更為細緻的篩選就會發現，不太有名的學校的畢業生中也有許多優秀的工作者。這個例子中說明了基於學校平均質量的統計性歧視。
統計性歧視統計性歧視能夠強化人們的成見，並能減弱某一群體中成員提高技能和積累經驗的激勵，所以它會導致經濟的無效率。
可以分析一下一個上了一所不太有名的大學的普通學生的情況，他知道很大程度上僱主將根據其學校的質量或者是某一方面的技能（比如說英語）對她進行判斷，而專業、學習成績、所學課程難易程度、真正學到的東西、工作經驗以及應聘崗位的核心要素都可能被忽視。結果，在面臨統計性歧視時，個人會減少投資於那些提高專業知識含量、提高勞動技能、使自己成為更專業的雇員的活動（比如說職業技術水平認證）。
當統計性歧視涉及到固定群體、性別、民族、種族時，其危害更大。如果大多數僱主憑藉社會某些現象所表現的負面影響而否定那一類人全體的素質，那么，那些有才能的個體不僅會被當作平均水平的工人對待，甚至莫名被排斥在某些工作領域之外，而且長此以往，他們自身也沒有熱情去提高他們的知識和技能水平。
統計性歧視在很多方面都可以看到，大多數國家普遍都存在這一現象。例如：傳統上婦女被排除在工程師等數學能力要求較高的職業之外，結果婦女在報考學校核擇業時容易傾向於人文社會科學，這個個結果反過來又會強化人們認為婦女對工程不感興趣的成見。
統計性歧視不僅能將個人的群體特徵類型化，而且還能減弱個人對教育和培訓進行投資的激勵，從而反過來又強化關於原有群體特徵的成見。
歧視的偏好：無論廠商還是顧客都有一種“歧視的偏好”，或許在美國有些管理者就是不喜歡僱傭黑人；在一些國家有些銷售人員就是有偏見，不想把貨品賣給特定的人群，批評者認為最好是同義反覆，說白了就是：“事情之所以這樣，是因為人們想讓它這樣。”這種偏好在排斥性歧視現象中十分明顯。
