类型在人群中的占比，是怎样估算的？
假设公开之后，任何人都能按规则复算；真实人群中的类型比例，目前仍然未知。
阅读目录 14 节
类型在人群中的占比，是怎样估算的？
这一页说明「人群占比（模型估算）」怎样计算、现在有哪些依据。假设、计算过程和版本都公开在这里，数字是怎么来的，一看便知。
目前，16型在真实人群中的比例未知。本页的百分比来自公开设定的假设情景，尚未用真实人群数据校准。 现有内容用来示范方法；后续结果页上的数值，要对应它所标注的情景版本。
这个数字表达什么？
它回答的问题是：如果四种倾向按设定的比例分布，又满足列出的组合假设，各类型在这个模型里各占多少份额？
比如某型的模型份额约为13%，意思是在这个假设分布里，该型约占13%。把它换算成“现实中每100人里有13人与你同型”，就超出了它能说的范围。计算能把假设变成数字，假设是否接近现实，要靠别的证据。
这些类型描述的是人在相关情境中的策略倾向。“暴君”“掮客”这类名称是人物化的说法，看名字判断不出哪一型更少见。占比也说明不了一个人有多坏、是否优秀，或会不会伤害别人。
为什么从四条轴开始？
16型由四种倾向组合而成，顺序固定为：
| 轴 | 两端 | 关注的问题 |
|---|---|---|
| 目标 | 利／权 | 实际所得与决定权不能兼得时，更想保留哪一项？ |
| 影响路径 | 谋／压 | 更依赖安排信息、选项和关系，还是明确设置条件与后果？ |
| 冲突收束 | 用／惩 | 外部目标或补救已经完成后，是否仍希望对方额外付出代价？ |
| 正当化 | 饰／蔑 | 更依赖共同规则与共享理由，还是更能以自己的取舍授权选择？ |
每条轴取一个方向，就得到16种组合。例如，掮客对应“利谋用饰”，暴君对应“权压惩蔑”。先公开四轴的分布假设，再按同一规则计算，16型的数值就能彼此一致，也方便核对。
这16种组合出自本项目的分类定义。目前没有证据表明人群会自然聚成这16类；“共有16型”也推不出每型各占6.25%。
当前示范采用哪些假设？
示范情景A，版本 type-share-scenario-0.1，记录日期为2026-09-07。
四条轴的输入比例
| 轴 | 示范输入 | 这组输入想考察的情景 | 数值依据 |
|---|---|---|---|
| 利／权 | 60%／40% | 偏向实际所得的对象相对多一些 | 人为设定的演示参数，未经实测 |
| 谋／压 | 55%／45% | 两条影响路径接近均衡，间接安排略多 | 人为设定的演示参数，未经实测 |
| 用／惩 | 65%／35% | 外部目标完成后倾向收束的对象相对多一些 | 人为设定的演示参数，未经实测 |
| 饰／蔑 | 60%／40% | 更依赖共同依据授权选择的对象相对多一些 | 人为设定的演示参数，未经实测 |
这些数值只是把一种设想具体化。60%是否比55%更接近真实，上表的多寡次序是否符合某个现实人群，我们都没有数据可以证明。 它们是人为设定的，既不取自心理学论文的统计结果，也不取自网站用户的测评分布，或AI模拟受试者生成的样本。
四条轴怎样组合
示范暂按四轴相互独立来计算：一个对象在某条轴上偏向哪一端，不影响它在其他轴上的倾向比例。
独立是为了简化计算而选的假设。四个问题在概念上可以区分，现实中是否互不相关，并没有得到证明。即使四组输入比例不变，只要轴与轴之间的关系变了，16型的分布也会跟着变。
100%的分母是谁
示范的分母是一个理想化的集合：其中每个模型对象都有明确的四轴方向，并且只归入一型。16型合计100%，说的只是这个集合。
真实测评里，会有方向平分、贴近边界、信息不足或出现多个候选的情况。示范没有估计这些情况在人群中的比例，也没有估计“能明确分型的人占总人口多少”。所以表中的数字不能直接当作全体人口的数字。
分布目前也没有针对国家、年龄、职业或其他现实人群做过校准。日常倾向的分类，同样换算不成负面行为的发生率。
具体怎么算？
在独立假设下，某型的份额，等于它在四条轴上所对应那一端的比例相乘。
例如，掮客对应“利谋用饰”：
掮客的模型份额 = 利的比例 × 谋的比例 × 用的比例 × 饰的比例 = 0.60 × 0.55 × 0.65 × 0.60 = 0.1287 = 12.87%
暴君对应“权压惩蔑”：
暴君的模型份额 = 0.40 × 0.45 × 0.35 × 0.40 = 0.0252 = 2.52%
其他类型照同一规则计算。每条轴两端之和为1，所以全部组合之和为：
(0.60 + 0.40) × (0.55 + 0.45) × (0.65 + 0.35) × (0.60 + 0.40) = 1，即100%
示范情景A的16型明细
以下数字都由假设情景计算而来，真实人群比例未知。 阅读值按百分数四舍五入到一位小数，只是一种展示方式，估计本身并没有准确到0.1个百分点。
| ID | 类型 | 四字组合 | 未舍入的模型百分比 | 阅读值 |
|---|---|---|---|---|
| T01 | 掮客 | 利谋用饰 | 12.87% | 12.9% |
| T02 | 投机客 | 利谋用蔑 | 8.58% | 8.6% |
| T03 | 笑面客 | 利谋惩饰 | 6.93% | 6.9% |
| T04 | 追猎者 | 利谋惩蔑 | 4.62% | 4.6% |
| T05 | 收割者 | 利压用饰 | 10.53% | 10.5% |
| T06 | 掠夺者 | 利压用蔑 | 7.02% | 7.0% |
| T07 | 清算者 | 利压惩饰 | 5.67% | 5.7% |
| T08 | 悍客 | 利压惩蔑 | 3.78% | 3.8% |
| T09 | 操盘手 | 权谋用饰 | 8.58% | 8.6% |
| T10 | 煽动家 | 权谋用蔑 | 5.72% | 5.7% |
| T11 | 权术家 | 权谋惩饰 | 4.62% | 4.6% |
| T12 | 教主 | 权谋惩蔑 | 3.08% | 3.1% |
| T13 | 铁腕者 | 权压用饰 | 7.02% | 7.0% |
| T14 | 定局者 | 权压用蔑 | 4.68% | 4.7% |
| T15 | 裁决者 | 权压惩饰 | 3.78% | 3.8% |
| T16 | 暴君 | 权压惩蔑 | 2.52% | 2.5% |
| — | 合计 | — | 100.00% | 100.0% |
这个情景的阅读值碰巧也合计100.0%。换一组参数，舍入后的合计可能偏离100%。遇到这种情况，应当说明舍入差异、保留原始计算值，不能为了拉开类型差异而单独调整某一型。
换一组假设，数字会变多少？
我们换了几组设定，看数字对假设有多敏感。
| 演示设定 | 利／谋／用／饰的比例 | 掮客的模型份额 | 暴君的模型份额 |
|---|---|---|---|
| 对称基线 | 50%／50%／50%／50% | 6.25% | 6.25% |
| 示范情景A | 60%／55%／65%／60% | 12.87% | 2.52% |
| 扰动情景B | 55%／50%／60%／55% | 9.075% | 4.05% |
| 扰动情景C | 65%／60%／70%／65% | 17.745% | 1.47% |
上表仍按四轴独立计算。对称基线展示的只是“每端各半且相互独立”时的结果，并未主张真实人群等分。B和C把A的四个输入同时下调或上调5个百分点，这个幅度同样是人为选定的检查条件。
四轴的输入比例不变，答案也定不下来。例如，A假设“谋且饰”占全部模型对象的33%；换一种轴间关系，它可以占到40%，而谋55%、饰60%的边际比例保持不变。其他条件不动，掮客就会从12.87%变成15.60%。两种情景都算得出来，哪一种更接近现实，我们没有数据判断。
模型对输入比例和轴间关系都很敏感。这里的范围，是假设变化带来的计算范围，代表不了真实占比的误差范围或95%置信区间。
它和我的测评匹配占比有什么关系？
结果里可能出现几类百分数，各自回答不同的问题：
| 数字 | 表达的含义 |
|---|---|
| 四轴倾向读数 | 本次回答在某条轴上的相对倾向 |
| 角色匹配占比 | 本次回答按固定组合规则，与各人物的相对贴合份额 |
| 人群占比（模型估算） | 给定分布假设后，某类型在模型中的份额 |
人群占比估算不由某个人的匹配分数换算而来。同一情景版本下，同一类型的模型份额都一样。它表示的既非你属于该型的概率，也非测评的准确率。
继续作答，可能会更新你的推荐类型，于是正在查看的类型和它的模型估算数字随之改变；变的是你在看哪一型，人群分布并没有因为你的答案而变。
哪些部分有依据，哪些仍是判断？
| 部分 | 当前状态 |
|---|---|
| 四条轴的含义、类型名称与映射 | 来自本项目公开的分类定义 |
| 60%、55%、65%、60%这组输入 | 本页的人为示范假设，没有实测依据 |
| 四轴相互独立 | 为示范选择的简化假设，尚未验证 |
| 连乘公式、16型数值及合计 | 可复算的数学结果 |
| 真实人口比例、不同群体差异及模型误差 | 目前未知 |
黑暗人格研究可以帮助讨论相关概念。比如D因子研究讨论的是多种黑暗倾向的共同核心。把D因子与本项目四轴的定义对照来看，它的统计结果无法直接换算成本项目16型的比例。研究团队的定义与论文索引
其他人格量表或公开调查数据与本项目四轴之间的对应关系，目前都还没有验证。本页没有拿其他测试的类型分布、职业人数或临床诊断比例，作为16型数值的来源。
以后有网站用户数据，会怎样处理？
网站自然积累的测评结果，可以描述“本版本完成测评的结果中，各型分别占多少”。它能否代表其他人群，仍取决于用户从哪里来、用什么方法统计。自愿参与的线上样本，要说明样本来源与推断条件；人数再多，也不会自动带来人口代表性。AAPOR调查研究方法说明
以后如果公布这类数据，应另标为「本站测评结果分布」，并说明时间范围、题目与计分版本、基础或完整阶段、统计单位、重复作答怎样处理，以及没有形成唯一类型的结果。如果只能识别提交次数，就报告结果记录数，不能称为独立人数。
真实结果统计和假设模型，要各自保留来源。发布本页，既不等于已经收集或验证了用户的逐题答案，也不等于计划新增这类收集。
怎样追溯和更新？
每一组公开的数值，都应查得到输入比例、轴间关系、分母、计算规则与日期。更换输入或关系假设时，旧版保留，并说明变化的原因；结果页上的数字，应链接到生成它的那一版说明。
| 日期 | 版本 | 记录 |
|---|---|---|
| 2026-09-07 | 内容0.1.0／示范情景 type-share-scenario-0.1 | 首次整理公开说明；收录四轴假设、16型示范表及敏感性演示；真实人群比例仍未知 |
把假设摊开，是为了让数字能被理解、检查和讨论。估算离现实有多远，要等相应的证据来回答。