1972年，美国学者菲尔普斯在《美国经济评论》正式提出统计性歧视理论，建立模型来解释统计性歧视问题。统计性歧视是将一个群体的典型特征看作该群体中每一个个体所具有的特征，并利用这个群体的典型特征作为雇佣标准而产生的歧视。

统计性歧视理论认为，统计性歧视的根据在于信息的不完全，以及获取信息需要支付成本，企业在劳动力市场上雇佣时，往往将求职者的群体特征推断为个体特征，这种做法会使不利群体遭受统计性歧视。

如果不利群体额总体统计性特征中，个体差异越大，那么利用群体特征来推断作为甄选标准的代价就越高。但是对于企业来说，这仍是不完全信息下的高效率的做法，与雇主利润最大化目标是一致的。

这种歧视的原因是由于统计方法不科学或者是由于信息不完全造成的。

通常，雇主总是希望雇佣生产率最高的员工。实际上，雇主在有限的招聘时间里不太可能完全掌握员工的实际劳动生产率是多少，只能利用员工的个人一些与生产率有关的特征加以判断。例如雇主会收集一系列有关求职者的信息，包括年龄、教育、经验等。雇主还可能会采取一些筛选方法，如笔试、面试或者心里测试来补充一些信息。在这种情况下，雇主在进行雇佣决策的过程中，会不知不觉地融进一些特征判断来决定最终雇佣谁。利用求职者的性别、种族、教育背景或年龄因素来判断其劳动生产率水平以及劳动能力决定雇佣取舍就是统计性歧视。

但也有学者指出，随着相关人口群体内部的不可衡量的差别的越来越大，性别或其他区域群体信息被使用的可能性就会越来越小，统计性歧视也就会随之而逐步消失。