由于担心潜在的歧视，数据驱动的决策受到了政策制定者的审查，越来越多的文献已经开始发展公平的统计技术。然而，这些技术通常专门用于一个模型上下文并基于特殊的参数，这使得进行理论分析变得困难。针对公平统计决策问题，本文提出了一种优化层次结构，它是一系列约束数量不断增加的优化问题。因为我们的层次结构基于统计决策问题的框架，这意味着它为开发和研究合理版本的假设检验、决策、估计、回归和分类提供了一种系统方法。我们利用公平的定性定义等同于统计技术的输出与衡量所需公平属性的随机变量之间的统计独立性这一观点。我们利用这一见解来构建一个有助于数值计算的优化层次，我们使用变分分析和随机集理论中的工具证明，在相应的统计决策问题中，更高层次的层次会导致一致性，即它渐近地将这种独立性作为约束。我们使用多个数据集证明了我们的层次结构的数值有效性，并且我们使用我们的层次来公平地执行吗啡的自动给药。