IBM Watson Personality Insights:使用原始分数还是百分位分数？

Question

我在一个学术研究项目的背景下使用IBM Watson Personality Insights。

从到目前为止的分析，我注意到相同推文的原始分数和百分位数分数通常有很大的差异，在某些情况下，分数甚至在相反的两端(例如，宜人性原始分数: 0.21，宜人性百分位数分数0.76)。此外，在我的样本群体的总体水平上，百分位数得分的人格特质内的方差要高得多，而原始得分的方差非常低(每个性状的所有观察值都在0.1-0.2的范围内)。

我知道百分位数是归一化分数，对分数的解释是不同的。我的问题是，旨在将其应用于回归分析的研究人员通常使用哪个分数(例如，个人的个性特征-成功)？在我看到的应用人格洞察力的论文中，作者的论文没有讨论他们使用的分数。如果你对此有一些想法，并能与Personality Insights分享更详细地讨论他们的方法的任何研究，那就太好了。

非常感谢您的指导！

Answer 1

你说得对，分数有不同的解释。原始分数就是这样，当归一化分数超过更大的总体时。虽然一个性状的原始分数的范围在0-1之间，但在实践中并不总是如此，并且分数可能集中在较窄的范围内。这就是为什么在上面的例子中，原始分数的一个小的变化可以在百分位数的分数中有更大的变化。

请注意，为了计算百分位数，我们为更大的人群(100k)运行了配置文件，在那里您将观察到这些趋势，这些趋势可能在较小的样本中不会显示。

至于你的另一个问题，你会使用哪个分数取决于。一般而言，大多数人使用百分位数得分，因为它可以让你了解给定人群与总体人群的比较情况。例如，如果我有兴趣了解一组人与另一组人的比较情况，使用百分位数得分更容易直观地理解差异( 25%的宜人性差异比0.1%的原始差异更容易理解，因为你不知道这是否显着)。另一方面，原始分数主要用于创建更大的模型并将PI分数用作1个特征时。在这种情况下，使用原始分数通常很有帮助，因为您可以从较大的模型中得出自己的结论。