人口统计均等

从每个群体中选出相同比例的申请人，就是人口统计均等的核心思路。这项公平性指标要求不同群体获得正面结果的比例相同，不考虑其他因素。例如，如果一所大学的自动招生工具录取了15%的女性申请者，那么它也必须录取15%的男性申请者，才能达到这项标准。

想一想：这个系统评估的每个群体，获得结果的比例都一样吗？

人口统计均等也叫统计均等，它把公平定义为：一项决定与种族、性别等受保护属性在统计上相互独立。它的核心原则是，在所有划定的群体中，获得正面结果的人所占的比例应当相同。

这意味着，如果算法用来筛选求职者，男性、女性和非二元性别者的录用率应当大致相同。按照人口统计均等的要求，从整体来看，模型的输出必须在统计上与性别相互独立，不过，模型有时可能恰恰会把性别作为输入，以实现这样的结果。

再看看另一个领域：定向广告。如果广告平台达到了人口统计均等，它就会向不同年龄段用户中相同比例的人展示一则高薪职位广告，而不是主要向点击率可能更高的年轻用户展示。

另一个例子是审前风险评估。符合人口统计均等的算法，会将不同种族背景的被告中相同比例的人标记为再次犯罪的“高风险”者，不论这些群体的历史犯罪数据如何。

这种方法面临的主要挑战是，它没有考虑各群体中实际符合资格或存在风险的比例，也就是“基础率”，是否有所不同。为了达到统计目标，强求结果比例相同，可能会导致某个群体中资质较弱的候选人入选，或让另一个群体中符合资格的候选人被忽略。

因此，人口统计均等是一种有力却也存在争议的工具。它常被用来纠正历史偏见，也常用于资格判断比较主观的情况。但如果各群体在客观衡量标准上存在差异，它就可能与择优选拔发生冲突。

人口统计均等是算法公平性最早、也最直观的形式化定义之一。相关研究关注它的统计性质、它与其他公平定义的关系，以及强制实施它所带来的社会影响，尤其是它与个体公平或模型准确率发生冲突时的影响。

• Dwork等人（2012）对比了个体公平与群体层面的指标，并讨论了统计均等：即结果与受保护属性相互独立的条件。[1]
• Feldman等人（2015）分析了如何衡量和消除差别影响。这是一个与人口统计均等密切相关的法律概念。他们还提出了转换数据的方法，以满足这一公平性约束。[2]
• Kleinberg、Mullainathan和Raghavan（2016）证明了公平性领域的一项关键不可能性结论：当不同群体的基础率不同时，模型不可能同时实现组内校准和相同的错误率，例如均等化胜算所要求的错误率相同。[3]
• Verma和Rubin（2018）梳理了20多种公平定义，将人口统计均等归为一种“群体公平”指标。人口统计均等关注让结果比例相同，而另一些指标关注让错误率相同。[4]

对人口统计均等的主要批评是：当不同人口群体中所衡量特征的基础率不相同时，例如符合求职资格的比例或贷款违约风险，它可能带来事与愿违的结果。强求结果比例相同，可能意味着为了满足另一个群体的配额，而拒绝给某个群体中更符合资格的人提供机会。从个体层面看，这可能被认为不公平。它还可能降低模型的整体效用或准确率，这种矛盾常被称为“公平性与准确率之间的权衡”。