万博全站端appCareerExplorer的工资数据

不管我们喜不喜欢，薪水在我们规划职业道路时扮演着重要的角色。因此，对CareerExplorer来说，尽可能准确地报告薪水是很万博全站端app重要的。通常，当一个人在调查某一职业的薪水时，为了得到尽可能准确的信息，他们可能会访问多个来源。在当今的大环境下，整合来自多个资源的信息已经变得越来越重要，并且是CareerExplorer计算薪资的核心。万博全站端app本文详细介绍了CareerExplorer如何将我万博全站端app们自己的内部数据与来自公开可用资源的外部数据组合在一起。

CareerExp万博全站端applorer如何计算薪水?

在CareerExplorer万博全站端app评估的整个过程中，当用户告诉我们他们过去的职业时，工资数据是从用户那里收集的。我们将这些数据合并到工资信息中，然后向其他用户报告，但在尝试这样做时存在一些困难。当Care万博全站端apperExplorer向我们的用户报告每个职业的薪水时，一种选择是取这些收集数据的平均值。然而，这是有问题的，因为我们可能没有收集到足够的数据点，以便有把握地报告某些职业的薪水。因此，我们分两步进行计算:

1. 我们首先过滤掉那些我们认为是假的或粗心大意的数据。这篇博文没有涉及到这一步。
2. 接下来，我们将自己的数据与来自的外部数据结合起来劳工统计局(BLS)。这篇博客文章详细说明了这个计算是如何进行的。

贝叶斯统计:

为了执行这个计算，调用了贝叶斯统计。简而言之，贝叶斯统计允许我们系统地平衡专家意见(来自BLS的外部薪资数据)等等我们自己的数据告诉我们(CareerExplorer收集的薪资数据)。万博全站端app

为了证明这一点，让我们从一个说明性的场景开始，在这个场景中，我们将收集到的数据与演员和焊工的工资进行比较:

这两种职业中哪一种平均工资更高?单从收集的数据来看，我们不得不说演员的平均收入要比焊工高。

然而，大多数人直觉上不同意这个结果。上述报告结果值得怀疑，主要有两个原因:

1. 被调查人数。我们不太确定演员的平均收入，因为我们只调查了三个人。或许其中一名受调查的人是一位自称年收入100万美元的著名名人，而另外两名受调查的人的收入较为合理，只有2.5万美元。相比之下，我们应该对焊工的价值报告感到更放心，因为我们有更多的受访者
2. 大多数人的直觉会告诉他们，普通焊工的收入要比普通演员高。即使没有看到被调查的人数，上述结果仍然值得怀疑。

如果其他数据来源或“薪酬专家”告诉我们，薪酬应该是这样的，那么结果将进一步受到质疑:

如果我们把自己的“平均工资”数据列在第一张表中，那是不负责任的。或者，我们不应该纯粹依靠专家的意见，因为我们已经为焊工收集了大量的数据，并且觉得我们对他们的收入有一个很好的想法。就像生活中的大多数事情一样，“正确答案”可能介于这两个选项之间。现在，问题变成了如何将“专家意见”与我们收集的数据结合起来?

方法论背后的直觉:

虽然上面的例子是人为设计的，但它很好地说明了这个问题。在专家意见和我们收集的数据之间取得平衡是很好的。下面是我们使用的方程的鸟瞰图:

合计工资= (W_数据xAverageSalary) + (W_专家xExpertOpinionOfSalary)

该方法的核心是在各个因素之间进行谨慎的平衡AverageSalary我们的数据告诉我们ExpertOpinionOfSalary外部消息来源告诉我们的在上面的等式中，W_数据控制我们在平均钱中放置的重量收集的数据。W越高_数据我们就越重视数据。W的情况也是如此_专家和ExpertOpinionOfSalary。随着我们收集的数据越来越多，W_数据和W_专家相应地改变。

让我们试着获得一些关于W的直觉_数据和W_专家随着我们收集更多数据，变化:

• 如果数据点(被调查的人数)的数量增加，W_数据增加和W_专家减少

• 如果收集的数据的“扩散”高，W_数据减少和W_专家增加

上面第一点已经讨论过了。随着数据点数量的增加，我们对结果的平均工资更有信心。这是有道理的!

第二点引入了“数据传播”的新概念。为了测量收集到的数据的分布情况，我们使用了一个叫做“方差”的统计概念。在上面给出的三个演员的例子中，其中一个演员的薪水非常高，数据非常分散。因此，该数据被称为具有高方差。由于存在较大的差异，我们对自己知道平均工资水平的信心减弱，而更多地依赖于专家意见。

导致的工资:

现在让我们来看看使用这种方法的一些结果:

在上表中，我们可以看到，对于演员来说，由此产生的“综合薪酬”严重偏向于专家意见。这一结果非常棒，因为37800美元的平均工资比35万美元的平均工资要合理得多。正如前面所讨论的，由于我们收集的数据非常少，且方差很高，结果存在严重偏差。

相比之下，焊工被“平均工资”下收集的实际数据严重扭曲，因为有足够的数据支持这个结果。

现在，如果我们问另外497个演员他们的薪水，并且他们都报告说他们每年挣25,000美元，我们的数据会发生什么?

首先要注意的是，考虑到额外的数据后，演员的“平均工资”发生了巨大的变化。其次，“合并工资”已经发生变化，变得更偏向“平均工资”，因为我们已经收集了足够的数据来改变我们对专家意见的看法。

事实上，我们已经收集了如此多的数据，以至于专家的意见几乎显得无关紧要。这是伟大的!我们相信专家的意见，直到收集到足够的证据表明并非如此。

进一步讨论:

到目前为止，我们已经看到了在收集的数据和专家意见之间进行平衡背后的直觉。为了清楚地看到这种方法的好处，让我们想象另一个由David Robinson设计的场景他的博客。在这里，我们假设一个棒球招聘人员的角色来比较这两个球员:

以上两名玩家中，谁更愿意招募?

此外，让我们用这样一个事实来提醒自己，我们认识一位棒球分析师，他告诉我们，任何球员的典型全垒打率都是5%，这是历史数据所显示的。我想大多数人会选择老将维多利亚，因为她已经接受了更多的测试，我们有更多的证据来支持她报告的本垒打百分比。相比之下，对于新秀瑞恩来说，我们只是还没有看到他打得足够多。

在我们的大脑中，我们一开始就对一个普通球员的能力有一个先入之见(5%的全垒打率)。除非我们收集到足够的数据，让我们改变想法，否则我们往往会坚持自己的信念。在老将维多利亚的例子中，我们有足够的证据来说服自己，她比一般的球员更好。但菜鸟瑞恩却不是这样。这正是贝叶斯统计允许我们在数学上做的。

贝叶斯方法的最后一个要素是“先验/专家方差”的概念。这些参数控制着我们的专家观点有多“确信”，以及为了改变我们的先验信念，我们必须提供多少证据。先验方差越高，我们就越不确定我们的先验信念，改变我们的想法所需的数据就越少。

有趣的是，一个赛季内所有球员的全垒打百分比最高记录是15.34%巴里·邦兹于2001年所著。有了这些额外的知识，如果我们不选择老兵维多利亚，那就太愚蠢了。

结论

在本文中，我们讨论了CareerExplorer如何使用贝叶斯统计数据将从用户那里收集到的工资万博全站端app数据与外部来源结合起来。这种方法在我们没有很多数据的情况下特别有用。在一个人没有很多“经验”或数据的情况下，依靠他人的意见是有意义的。当我们收集更多的数据时，我们开始更加信任我们收集的数据，而减少对专家输入的依赖。有趣的是，这种数学方法与人们推理问题的方法非常相似。无论如何，这种方法让我们对自己报告的薪水有了更高的信心。

在未来的博客文章中，我们计划详细介绍CareerExplorer用于向用户提供职业匹配的数学模型。万博全站端app

本文于2019年11月29日更新，并附有我们的新产品名称。