人口統計均等（demographic parity）
/ dem-uh-GRAF-ik PAIR-uh-tee /
人口統計均等，是給「公平演算法」下定義的一種具體方式：它要求各群體獲得正面決定的比率應當相同。如果一個招聘篩選讓30%的男性申請者進入下一輪，人口統計均等就要求它同樣讓30%的女性申請者——以及其他每個群體的30%——進入下一輪。它只在乎「有多少人拿到了好結果」這條底線，而不在乎具體是誰、誰更應當拿到。
它的吸引力很直觀：如果一個篩選工具讓某個群體5%的人通過，卻讓另一個群體25%的人通過，那即便你還沒去查為什麼，也已經覺得不對勁了。問題在於，人口統計均等對「正當的差異」視而不見。假設出於某種正當的原因，兩個群體在某個相關特徵上確實存在差異——比如某申請者群體的相關工作年限平均值不同。強行讓錄取率相等，就意味著要錄取某個群體裡資歷較淺的人，而捨棄另一群體裡資歷更深的人；這本身可能讓人覺得不公，甚至會透過把人推上注定失敗的位置，反過來傷害它本想幫助的那個群體。
它為何重要：人口統計均等是最容易向公眾和監管者解釋清楚的公平指標，它直接針對「系統是否把整個群體排除在外」這一擔憂。但它是一件鈍器。它無視這個決定是否準確；而在那些群體在「正當目標」上確有差異的情形裡，強推它可能是用一種不公去換另一種不公。它是一面值得舉起的警示旗，而非關於正義的完整定義。
一個廣告平台，把高薪職位廣告投放給了符合受眾條件的男性中的8%，卻只投放給了同樣符合條件的女性中的2%。這就違反了人口統計均等：無論任何個體的資歷如何，正面結果（看到這個機會）並未以相等的比率被送達。
人口統計均等檢查的是「每個群體獲得好結果的比率」——而對其中的「為什麼」一概不問。
一個既無用又冒犯的系統，也可能滿足人口統計均等——比如從每個群體裡以相等比率隨機錄取。比率相等，並不等於決定同樣優良。這正是為什麼它通常要和「等化勝率」這類顧及準確性的指標搭配使用。