Systemy prognozowania do podejmowania decyzji o zatrudnieniu

Typowy problem przewidywania, czy to wybór, umieszczenie, czy oba, wymaga użycia wielu predyktorów. Te predyktory są wykorzystywane w najlepszy możliwy sposób jako wskazówki przy podejmowaniu decyzji o zatrudnieniu. Są takie decyzje, jak "czy powinien zostać zatrudniony do tej pracy?" Czy "czy powinna zostać wysłana na ten program szkoleniowy?" Istnieje kilka strategii, które psycholog może przyjąć w odniesieniu do jego podejścia do procesu decyzyjnego. W zależności od przyjętego systemu prognozowania decyzje o zatrudnieniu mogą wyglądać zupełnie inaczej.

Chociaż każdy system ma swoje zalety i wady, każdy z nich zapewnia metodę podejmowania decyzji dotyczących ludzi w oparciu o grupę cech lub cech (predyktorów), które uważane są za istotne dla powodzenia pracy.

Główne systemy to:

(1) System wielokrotnej regresji,

(2) System wielokrotnego odcięcia,

(3) System dopasowania profilu oraz

(4) System wielu przeszkód.

Każdy system zostanie szczegółowo omówiony w kolejnych sekcjach.

System wielokrotnego regresu:

Jak sama nazwa wskazuje, ten system umieszczania wykorzystuje model regresji wielokrotnej do podejmowania decyzji dotyczących osób. Model regresji wielorakiej przyjmuje postać y = b ₁ x ₁ + b ₂ x ₂ (załóż a = 0) (3.6)

Zastosowanie takiego modelu w selekcji zakłada, że (1) cechy x ₁ i x ₂ są liniowo związane z osiągnięciem kryterium, i że (2) posiadanie "partii" jednej z cech rekompensuje posiadanie jedynie "małego" "Drugiej cechy.

Biorąc pod uwagę sytuację, gdzie bi = 2 i b ₂ = 4 i a = 0, wzór y = 2x ₁ + 4x ₂ (3.7)

byłby używany do przewidywania sukcesu pracy. Załóżmy, że wynik kryterium 50 może być uznany przez pracowników za zadowalający, a wszystko, co mniej, prowadzi do niezadowalających wyników. Tabela 3.2 pokazuje niektóre wyniki testów dwóch predyktorów dla czterech teoretycznych kandydatów do pracy. Przewidywana wartość kryterium dla każdego wnioskodawcy została również obliczona przy użyciu równania 3.7. Należy zauważyć, że wszyscy czterej kandydaci mają dokładnie takie same przewidywane wyniki kryteriów, mimo że ich wyniki punktacji testu różnią się dość wyraźnie. Kiedy przechodzimy od osoby A do osoby D, widzimy, że ich wyniki na teście 2 systematycznie maleją.

Jednak spadek ten jest kompensowany przez odpowiedni wzrost wydajności testu 1. Rzeczywiście, szczegółowa inspekcja wykaże, że wzmocnienie dwóch punktów w teście 1 jest konieczne, aby zrekompensować utratę każdego punktu w teście 2. Nie powinno to być zaskakujące, ponieważ względna waga dla testu 2 jest dwukrotnie większa niż test 1 w naszym modelu regresji (tj. b ₁ = 2, b ₂ = 4).

Rysunek 3.5 pokazuje jeszcze jaśniej dynamikę procesu selekcji stworzonego przez dane w Tabeli 3.2. Obwiednia wyników pokazana na wykresie punktowym na rysunku 3.5 przedstawia sytuację, w której dwa predyktory wydajności, x ₁ i x ₂, są dodatnio skorelowane. Jeśli korelacja r ₁₂ wynosiłaby zero, wykres punktowy byłby oczywiście okręgiem.

Jednak kształt wykresu punktowego nie ma decydującego znaczenia dla koncepcji kompromisu właściwej systemowi regresji wielokrotnej. Ponieważ powiedzieliśmy, że każda osoba o przewidywanym wyniku 50 lub wyższym powinna być uważana za "zadowalającą", możemy wykreślić "linię 50-punktową" na Rysunku 3.5, która pokazuje wszystkie możliwe kombinacje wyników testu 1 i testu 2, które będą uzyskać wynik kryterium dokładnie 50 punktów za pomocą równania 3.7. Jak widać na rysunku, wszyscy czterej wnioskodawcy znajdują się w tej linii.

Ciekawym aspektem na rysunku 3.5 jest fakt, że linia dzieli populację osób ubiegających się o pracę na dwie grupy lub regiony. Wszyscy kandydaci po prawej stronie i powyżej linii będą mieli wyniki kryteriów (za pomocą równania 3.7), które będą powyżej 50. Wszyscy kandydaci na lewo i poniżej linii będą mieli wyniki kryterium mniejsze niż 50. Zatem tylko ten pierwszy będzie zostać zaakceptowanym do zatrudnienia, ponieważ przewiduje się, że ich wyniki będą satysfakcjonujące.

Ci ostatni wnioskodawcy, z przewidywaną wydajnością mniejszą niż zadowalająca, zostaną odrzuceni w tym systemie selekcji. Rysunek 3.6 rozszerza rysunek 3.5 na trzy wymiary, pokazując zaobserwowane wyniki kryteriów, a także wyniki predykcyjne dla wszystkich osób.

Należy zauważyć, że płaszczyzna na rysunku 3.6 dzieli pracowników na tych, którzy zostali wybrani przy użyciu modelu regresji wielokrotnej podanego w równaniu 3.7, a ci, którzy zostali odrzuceni, nie są płaszczyzną regresji. Bardziej poprawnie nazywa się płaszczyznę selekcji. Czytnik jest odsyłany z powrotem do rysunku 3.4 w celu zilustrowania płaszczyzny regresji w systemie dwustradnikowej wielokrotnej regresji.

Założenia, zalety i wady systemu wielokrotnej regresji:

System przewidywania wielokrotnej regresji jest potężną procedurą selekcji, gdy jest odpowiednio stosowany. Pod warunkiem, że podstawowe założenie, że wszystkie relacje są liniowe, jest prawdziwe, ma matematyczną elegancję, która jest trudna do przekroczenia. Wiadomo na przykład, że model minimalizuje błędy w prognozowaniu. Kolejną zaletą tego systemu jest to, że predyktory są łączone w celu uzyskania najbardziej efektywnego oszacowania późniejszych osiągów.

Jednym z głównych punktów kontrowersji dotyczących modelu regresji wielorakiej jest zasada kompromisowa, która jest nierozerwalnie związana z jej wykorzystaniem. To, czy jednostki X jednej zmiennej można zastąpić jednostkami X na innej zmiennej, jest zawsze kwestią sporną. Z pewnością metoda może być niezwykle elastyczna. Możliwe jest ustawienie równań dla każdego z wielu zadań za pomocą tych samych lub różnych predyktorów. W rezultacie przewidywalne wyniki można obliczyć dla każdej osoby dla każdego zadania.

Następnie można zatrudnić osoby i umieścić je na konkretnym stanowisku, stosując jedną lub więcej z następujących procedur:

1. Umieść każdą osobę w tej pracy, dla której przewidywany wynik jest najwyższy. Zakłada to, że organizacja osiągnie największe zyski, jeśli każda osoba znajdzie się tam, gdzie ma największą zdolność, bez względu na bezwzględną ilość tej umiejętności. Jeśli żadna pozycja nie jest otwarta w tym zadaniu, zostanie on umieszczony na innej pracy, dla której otrzymał drugi "najlepszy wynik kryterium.

Jednym z problemów związanych z taką procedurą jest to, że możliwe jest, że same zadania mogą mieć różne minimalne wymagania dotyczące sukcesu. Może się więc zdarzyć, że jego najlepszy wynik (przewidywany wynik dla zadania A) może nie być odpowiedni do przewidywanego sukcesu w zadaniu A, podczas gdy jego drugi najlepszy wynik (przewidywana wydajność w zadaniu B) może być znacznie wyższy niż wartość wymagana do przewidzenia sukcesu zadanie B.

2. Umieść każdą osobę na tym stanowisku, gdzie jego przewidywany wynik jest najdalej powyżej minimalnego wyniku, który należy uznać za zadowalający. Ta metoda jest bardziej związana z całkowitą efektywnością systemu, niż z sytuacją, w której każda osoba jest umieszczana w pracy, którą może wykonać najlepiej. Pozwala to uniknąć sytuacji, w której ktoś wykonywałby pracę, w której jego wydajność będzie niższa.

Wiele systemów odcięcia:

Wyraźnie wskazano w dyskusji na temat systemu regresji wielokrotnej, że zastosowany model zakłada liniowe zależności między predyktorami a kryterium. Taki system jest często przedmiotem sprzeciwu, ponieważ dla wielu cech może istnieć liniowa zależność między predyktorem a kryterium w większości zakresu, może istnieć minimalna akceptowalna ilość tej cechy, która jest niezbędna, aby odnieść sukces. pracownik. Ten rodzaj związku między wynikami pracy a testem pokazano na rysunku 3.7.

Funkcja kryterium predykcyjnego na rysunku 3.7 pokazuje, co się dzieje, gdy przyjmie się, że:

(1) Istnieje pewna minimalna ilość zdolności predykcyjnej (cechy X) niezbędna do odniesienia sukcesu, oraz

(2) Żaden brak lub niedostatek cechy X poniżej tego minimum nie może być zrekompensowany przez posiadanie wielu innych umiejętności, które również okazały się predykcyjne dla powodzenia pracy.

Przykładem takiej sytuacji może być praca montażowa wymagająca zarówno dobrego widzenia, jak i sprawności manualnej. Ogólnie rzecz ujmując, można stwierdzić, że im lepsza jest wizja pracownika i im lepsza jest jego zręczność, tym skuteczniejszy jest ten pracownik. Może jednak istnieć punkt wzdłuż wymiaru widzenia, poza którym nie pomogłaby żadna zręczność.

Procedura selekcji i umieszczania, która uwzględnia ten problem minimalnych dopuszczalnych wartości, nazywana jest metodą wielokrotnego odcięcia, co oznacza, że punkt odcięcia jest ustalany osobno dla każdego predyktora. O ile dana osoba nie uzyska wyniku przekraczającego granice wszystkich predyktorów danej pracy, nie zostanie umieszczony w tej pracy.

Zatem z tą metodą nie istnieje żadna koncepcja addytywności cech. Spadek poniżej minimum na jakimkolwiek predyktorze zdyskwalifikuje osobę. Rysunki 3.8 i 3.9 pokazują regiony akceptacji i odrzucenia przy użyciu systemu wielokrotnego odcięcia dla danych podobnych do tych użytych do zilustrowania systemu regresji wielokrotnej na rysunkach 3.5 i 3.6.

Być może najlepszym sposobem porównania obu metod jest wskazanie, w jaki sposób różnią się one pod względem tego, kto zostanie wybrany do pracy. Rysunek 3.10 pokazuje linie odcięcia dla obu metod selekcji. Przede wszystkim należy pamiętać, że niezależnie od zastosowanej metody osoby w obszarze 7 będą zawsze akceptowane, a osoby w obszarach 1, 3 i 5 zawsze będą odrzucane. Osoby, które będą traktowane różnicowo w zależności od procedury selekcji, będą w obszarach 2, 4 i 6.

Korzystając z systemu selekcji wielu regresji, wszyscy ludzie w obszarach 2 i 6 zostaną zaakceptowani, natomiast osoby w obszarze 4 zostaną odrzucone. Odwrot nastąpi przy użyciu procedury wielokrotnego odcięcia; osoby z obszaru 4 zostaną zaakceptowane, a osoby z obszarów 2 i 6 zostaną odrzucone. Tak więc pytanie rozwiązuje jedną ze względnej potrzeby tych dwóch grup jednostek.

Rozwiązanie jest matematycznie złożone i zostało wykazane przez Lorda (1963) przede wszystkim jako funkcja niezawodności dwóch predyktorów. W rzeczywistości w większości przypadków prawdopodobnie żadna procedura nie daje dokładnie najlepszego rozwiązania przy wyborze tej grupy pracowników o najwyższej średniej wartości kryterium. Zamiast tego, optymalna strategia wyboru wydaje się być jakąś formą kompromisu między tymi dwiema metodami (patrz linia przerywana na Rysunku 3.10).

Określanie wyników cięcia:

Jeśli przyjmie się technikę wielokrotnego nacinania, konieczne staje się podjęcie decyzji o oddzielnych minimalnych akceptowalnych punktach dla każdego z predyktorów. Nie jest to łatwe zadanie, ponieważ nie ma określonego "poprawnego" sposobu ustawienia wyniku, poniżej którego wszyscy ludzie zostaną zdyskwalifikowani. Relacje zaangażowane w stosunek selekcji i procent pracowników uznanych za zadowalające (wynik cięcia), zacznie widzieć, jak skomplikowany jest problem, gdy zaangażowane są dwa czynniki predykcyjne.

Zasadniczo proces ustawiania wartości punktów cięcia staje się procesem i błędem, w którym wypróbowywane są różne wartości dla każdego predyktora. Dla każdej pary wyników cięcia, naukowiec musi określić, jak wysoki jest średni lub łączny wynik kryterium wybranych wyników w odniesieniu do innych kombinacji wyników cięcia. Musi również wziąć pod uwagę liczbę ofert pracy w odniesieniu do całkowitej liczby wnioskodawców (wskaźnik wskaźnika doboru).

Założenia, zalety i wady wielu wyników cięcia:

Podsumowując powyższe punkty, metoda oceny wyników rzeczywiście zakłada nieliniowy związek między predyktorami a kryterium. Po drugie, odrzuca koncepcję zamiany wyników testów, przynajmniej w niektórych częściach zakresu. Jedną z wyraźnych zalet jest to, że zwykle jest to łatwa metoda do wdrożenia przez personel personelu, ponieważ nie są wymagane żadne skomplikowane procedury obliczeniowe ani formuły.

Jednak, jak wspomniano, pewna ilość prób i błędów jest konieczna, aby uzyskać wyniki cięcia, które będą działać w najbardziej satysfakcjonujący sposób. Jedną z jego bardziej krytycznych wad jest to, że nie zapewnia on jednej oceny dla każdej osoby, która może być wykorzystana do przewidywania, jak odniesie sukces w jednym zadaniu w stosunku do swojego sukcesu w innej pracy. W związku z tym faktyczne umieszczanie miejsc pracy za pomocą wyników cięcia może stać się wyjątkowo uciążliwe.

System dopasowania profilu:

Trzecim podejściem do selekcji i umieszczania pracowników jest system dopasowania profilu. Istnieje wiele wersji tej metody, które różnią się przede wszystkim sposobem dopasowania profili. Jednak pozostałe aspekty procedury są raczej niezmienne od wersji do wersji. Sama metoda jest raczej prosta. Jeśli mamy zmienne k (predyktory), które są akceptowane jako ważne dla powodzenia w pracy, to mierzymy wszystkich "udanych" pracowników w miejscu pracy w każdym z tych predyktorów k. Wyniki są następnie uśredniane w celu uzyskania "typowego" profilu odnoszącego sukcesy pracownika. Hipotetyczny typowy profil pokazano na rysunku 3.11.

W tym przykładzie użyto dziesięciu predyktorów, aby opisać typowego, odnoszącego sukcesy pracownika na stanowisku A. Jak wskazują dane, odnoszący sukcesy pracownik na stanowisku A będzie miał wysokie wyniki (w stosunku do innych pracowników) w przypadku zmiennych 2, 3, 5, 6, oraz 8. Jego wyniki na zmiennych 1, 4, 7, 9 i 10 nie różnią się zbytnio od przeciętnej wydajności pracowników ogółem. Po uzyskaniu tego rodzaju idealnego profilu, jest on następnie stosowany jako standard, z którym porównywane są indywidualne profile wszystkich nowych wnioskodawców.

W tym momencie pojawiają się dwa dość ważne pytania w metodzie profilu. Po pierwsze, w jaki sposób można decydować, które czynniki prognostyczne są istotne, czyli które z nich powinny być uwzględnione w profilu? Po drugie, biorąc pod uwagę, że elementy profilu zostały wybrane z powodzeniem, w jaki sposób można właściwie ocenić stopień, w jakim profil danej osoby pasuje do idealnego profilu? Sposób, w jaki te dwa problemy zostały rozwiązane, może w ogromnym stopniu wpłynąć na ostateczną kondycję i trafność każdego systemu dopasowania profilu.

Wybór elementów profilu:

Każdy element profilu jest używany jako predyktor sukcesu zadania, podobnie jak predyktory w metodach wcześniej omówionych. Zasadnicze znaczenie ma zatem ustalenie ważności każdego elementu profilu przed użyciem go jako sposobu selekcji i / lub umieszczania osób w miejscu pracy. Jakie mamy zapewnienie, na przykład, że słabi lub niesatysfakcjonujący pracownicy nie mają profilu złożonego, który wygląda dokładnie tak, jak pokazano na Rysunku 3.11? Tak naprawdę nie mamy żadnego, chyba że przejdziemy empirycznie, jak wygląda niesatysfakcjonujący materiał kompozytorski, mierząc grupę tych ludzi o tych samych cechach i obliczających średnie grupy.

Powinno być oczywiste, że tylko te predyktory, które wykazują istotną różnicę w średnich punktach między zadowalającymi i niezadowalającymi grupami, powinny zostać włączone do idealnego profilu. Każda cecha, która nie odróżnia wyraźnie "dobrych" od "ubogich" pracowników, spowoduje jedynie błąd i zamieszanie, ponieważ zostanie wtrącona do procesu selekcji. Ponieważ walidacja każdej cechy jest koniecznym (ale zbyt często ignorowanym) krokiem w wyborze pozycji profilu, może być uzasadnionym pytaniem, dlaczego nie wystarczy użyć wszystkich predyktorów profilu w równaniu regresji wielokrotnej (lub nawet wielokrotnego odcięcia). ). W rzeczywistości odpowiedź na to pytanie zależy od metody stosowanej do porównywania profili, co zostanie przedstawione w poniższej sekcji.

Metody porównywania profili:

Istnieją dwie zupełnie różne procedury, które można zastosować w porównaniu profili poszczególnych osób do idealnego profilu. Jedna metoda wybiera osoby, które mają profile najbardziej pasujące do kompozytu. To z kolei powoduje wybór procedur, w zależności od tego, jak zdefiniowany jest termin dopasowanie.

Jednym ze sposobów określenia dobrego dopasowania jest stwierdzenie, że im bliżej punktów jednego profilu znajdują się punkty drugiego profilu, tym lepsze dopasowanie. Ta metoda wykorzystuje różnice między dwoma punktami dla każdej cechy, aby uzyskać miarę podobieństwa (lub odmienności). Najbardziej typowa procedura oblicza te różnice, tworzy kwadraty, a następnie dodaje je, aby uzyskać miarę podobieństwa. Tak więc, jeśli mamy profil z k cechami i jeśli dalej definiujemy

X _ij - Ocena osoby i cechy j

X _8j = Wynik standardowego profilu na cechę j

następnie D ² = (X _ij - X _aj ) 2

a ΣD ² reprezentowałoby stopień, w jakim profil osoby pasował do profilu standardowego. Im większy ΣD ², tym gorszy mecz. Ważne jest, aby zdać sobie sprawę z tego, że metoda D ² nie dotyczy w ogóle tego, czy wyniki osoby znajdują się powyżej, czy też poniżej kompozytu, czyli kierunek nie ma znaczenia w przypadku tej procedury dopasowywania. Wszystko, co się liczy, to bliskość punktów profilu.

Druga metoda określania podobieństwa profilu jest wyrażona w kategoriach naszego starego przyjaciela współczynnikiem korelacji. Wysoka korelacja między wynikami osobnika to profil, a wyniki w idealnym profilu wskazują, że dwa profile mają podobne wzorce, tj. Osobnik i ma wysoką ocenę na tych cechach, na których idealny profil ma również wysokie wyniki, a on osiąga niskie wyniki. cechy, w których idealny profil ma również niskie wyniki. Rysunek 3.12 pokazuje przykłady profili ilustrujących, w jaki sposób wykorzystanie różnych metod oceny podobieństwa może spowodować, że wybrane osoby zostaną wybrane do pracy. Badanie na Rysunku 3.12 szybko ujawnia, że ogólny wzorzec wyników osoby B powiela bardziej niż profil osoby idealnej dla profilu idealnego lub standardowego.

Jednak rzeczywiste wyniki uzyskane przez osobę A wydają się być bliższe wartościom profilu standardowego niż wyniki na profilu indywidualnym B. Możemy więc postawić hipotezę, że osoba A powinna mieć niższy (bardziej pożądany) wynik ΣD ^2, podczas gdy poszczególne B powinny mieć wyższą korelację (bardziej pożądaną) ze standardem.

Jak wskazują dane w tabeli 3.3, tak naprawdę okazuje się, że tak jest. Gdy wartości podane na rys. 3.12 są używane do obliczenia ΣD ², wynik osoby A (ΣD ² _as ) wynosi 500, natomiast wynik osoby B (ΣD ² _bs ) jest znacznie większy, ma wartość 2000. Z drugiej strony, gdy Korelacje między profilami są obliczane, korelacja między profilem A a profilem standardowym jest obliczana _jako r = - 1, 00, natomiast korelacja między profilem B a standardem, r _bs, okazuje się być zgodna po 1, 00. Tak więc, jeśli jako kryterium selekcji zastosowano metodę D2, wybieralibyśmy osobę A; gdybyśmy mieli użyć korelacji między profilami jako metody, wybieralibyśmy osobę B. "

Wybór procedury:

To, która procedura jest najlepsza, jest pytaniem, na które można odpowiedzieć wyłącznie za pomocą środków empirycznych w konkretnym otoczeniu. Najprawdopodobniej jednak najlepsza technika nie jest ani metodą D2, ani metodą korelacji. Jeśli cechy profilu zostały wybrane na podstawie znacznego rozróżnienia między dobrymi a słabymi pracownikami (jak w istocie na pewno powinny zostać wybrane), to logiczne wnioskowanie jest takie, że wysokie wyniki na cechach mają być pożądane i należy unikać niskich wyników (lub odwrotnie, w zależności od cechy).

Jeśli przyjmiemy, jak generalnie, że istotna zależność pomiędzy każdą cechą na profilu i sukcesem zawodowym jest dodatnia i liniowa, wówczas chcielibyśmy wybrać ludzi według jednej z następujących procedur:

1. Wybierz osoby, których punkty profilu wydają się być najwyższe, tj. Ich średni wynik profilu jest używany jako indeks wyboru. Korzystając z tej procedury, osoba może mieć duży wynik ΣD ² i nadal być wybrana, o ile jego punkty profilu mają tendencję do przekraczania odpowiednich punktów profilu dla normy. Ta procedura jest równoważna z zastosowaniem modelu selekcji regresji wielokrotnej, w którym każda cecha profilu jest predyktorem, a wagi regresji przyjmuje się jednakowo dla każdego predyktora. Niski profil wyników jednej cechy może być zrekompensowany przez wysokie wyniki profilowe na innej cechy.

2. Wybierz osoby, które mają profile o najwyższym średnim wyniku profilu i których punkty leżą powyżej odpowiadających im odpowiedników o idealnym profilu. Jest to, oczywiście, odpowiednik kombinacji wielokrotnego odcięcia i metody wielokrotnej regresji.

Idealne punkty profilu są wykorzystywane do ustalenia minimalnych dopuszczalnych wartości punktacji. Wszyscy kwalifikujący się w ten sposób ludzie są następnie oceniani za pomocą systemu wielokrotnej regresji. Taka procedura może prawdopodobnie działać tylko w przypadkach, w których współczynnik doboru jest wystarczająco mały, aby umożliwić stosowanie raczej rygorystycznych wartości odcięcia. Z pewnością zastosowanie średniej oceny każdej cechy grupy udanych pracowników jako minimalnych dopuszczalnych wartości tworzy sztywną przeszkodę dla nowych wnioskodawców.

Każda z tych ostatnich procedur wydaje się być nieco bardziej uzasadnionym sposobem wykorzystania profili do wyboru niż dwie pierwsze procedury, D 'lub r. Koncepcja "idealnego" profilu, w którym odchylenia w dowolnym kierunku są uważane za złe, może zostać poważnie zakwestionowana z przyczyn logicznych.

Wielokrotny system przeszkód:

Większość sytuacji związanych z selekcją obejmuje próby przewidywania późniejszego sukcesu w pewnym zadaniu poprzez zastosowanie jednej lub więcej miar predykcyjnych uzyskanych w momencie podania o pracę. Jednak niektóre sytuacje selekcji, takie jak szkolenie w zakresie zarządzania, obejmują nieco dłuższe okresy i ostateczną ocenę po dłuższym czasie, ale z ocenami okresowymi lub przeszkodami w różnych punktach postępu.

Rozważ sytuację pokazaną na rysunku 3.13. Tutaj przedstawiamy program szkoleniowy, który może być wykorzystywany przez dużą korporację jako środek kontroli, szkolenia i umieszczania nowych absolwentów uczelni w korporacji. Firma początkowo zatrudnia określoną liczbę absolwentów szkół wyższych, być może na podstawie ocen kolegium, wywiadów, listów polecających i testów jako sposobu selekcji osób. Wszystkich zatrudnionych informuje się, że ich wybór odbywa się na zasadzie próbnej i że będą oni stale oceniani podczas swojego programu szkoleniowego. Jeśli wydajność podczas treningu nie jest satysfakcjonująca, mogą one zostać zwolnione z programu.

Z pewnością w interesie firmy jest dokładna decyzja na temat każdej osoby tak wcześnie, jak to możliwe. Podobnie, w najlepszym interesie pracownika leży decyzja jak najwcześniej. Jednak stopień, w jakim możliwe jest przewidywanie sukcesu w wyniku programu szkoleniowego, zwiększa się w poprawności (to znaczy zwiększa się ważność), im dłużej jesteśmy w stanie obserwować działanie jednostki podczas treningu. Pod koniec trzeciego okresu oceny powinniśmy być w stanie znacznie dokładniej przewidzieć, czy tramwaj zakończy kurs pomyślnie, niż byliśmy w stanie to zrobić w momencie jego zatrudnienia.

Sytuacja jest analogiczna do problemu przewidywania końcowych ocen studentów. Oczywiście, można zrobić lepsze przewidywania do czasu, gdy student rozpoczyna swój starszy rok, niż kiedy wstąpił na studia. Rysunek 3.14 ilustruje zmianę trafności, której można logicznie oczekiwać w sytuacji takiej jak ta przedstawiona na rysunku 3.13.

W pewnym sensie mechanika sytuacji pokazana na rysunku 3.13 jest identyczna z bardziej typową sytuacją z wieloma predyktorami: dostępnych jest wiele predyktorów sukcesu, ale aby uzyskać każdy dodatkowy czynnik predykcyjny, konieczne jest zainwestowanie w ten czas dodatkowego czasu i pieniędzy. stażysta. Sekwencyjne predyktory są używane na kilka sposobów.

Najczęściej stosuje się jedną z następujących metod:

1. Na każdym etapie oceny dana osoba musi uzyskać wynik powyżej minimalnego pożądanego wyniku. W ten sposób każdy etap staje się przeszkodą, którą praktykant musi usunąć, jeśli ma pozostać w programie.

2. Złożona regresja wielokrotna jest obliczana w każdym kolejnym punkcie oceny, a prawdopodobieństwo sukcesu jest obliczane dla każdej osoby pozostającej w programie. Ilekroć to prawdopodobieństwo spadnie poniżej jakiejś arbitralnej wartości (na przykład 25 procent), jest on usuwany z programu.

Problem ograniczenia zasięgu:

Jedną z trudności pojawiających się w sytuacjach selekcji sekwencyjnej jest problem zwany efektem "ograniczenia zasięgu" na podstawie oszacowań trafności. Jeśli użyliśmy predyktora 1, aby wybrać ludzi na początku, a następnie, jeśli następnie obliczymy korelację między predyktorem I a kryterium lub obliczymy korelację między innym predyktorem 2 a kryterium, to nasze obliczone współczynniki ważności r _1c lub r _2c miały miejsce . Poprzez wstępną selekcję ograniczyliśmy zakres zdolności (a zatem wyniki predyktorów), które zmniejszą współczynnik korelacji. Rzeczywiście, nasz predyktor 1 działa w sposób podobny do zmiennej kontrolnej w częściowej korelacji; ponieważ już uwzględniono część wariancji, korelacja r _2c zostanie zmniejszona. Aby uzyskać oszacowanie prawdziwości istotności R _2c, można zastosować formułę korekcyjną.