Prediction Systems för att fatta beslut om sysselsättning

Det typiska prediktionsproblemet, vare sig det är val, placering eller båda, innebär att man använder ett antal prediktorer. Dessa prediktorer används på bästa möjliga sätt som guider för att fatta beslut om sysselsättning. Det finns beslut som "ska han anställas för detta jobb?" Eller "ska hon skickas till detta träningsprogram?" Det finns flera strategier som psykologen kan anta när det gäller hans inställning till beslutsprocessen. Beroende på det särskilda prediktionssystemet som antagits kan anställningsbesluten bli ganska annorlunda.

Medan varje system har sina egna fördelar och nackdelar, tillhandahåller var och en en metod för att fatta beslut om människor baserat på en grupp av egenskaper eller egenskaper (prediktorerna) som anses vara relevanta för arbetssucces.

De stora systemen är:

(1) Multipelregressionssystemet,

(2) Multiplicationssystemet,

(3) Profilmatchningssystemet, och

(4) Det multipla hindersystemet.

Varje system kommer att undersökas i följande avsnitt mer ingående.

Multipla regressionssystem:

Som namnet antyder använder detta placeringssystem multipelregressionsmodellen för att fatta beslut om individer. Multipelregressionsmodellen tar formen y = b ₁ x ₁ + b ₂ x ₂ (antar a = 0) (3.6)

Användningen av en sådan modell i valet förutsätter att (1) egenskaperna x ₁ och x ₂ är linjärt relaterade till kriterieprestanda, och att (2) innehav av ett "parti" av ett av egenskaperna kompenserar för att endast ha en "liten" "Av det andra draget.

Givet en situation, till exempel, där bi = 2 och b2 = 4 och a = 0, formeln y = 2x ₁ + 4x2 (3, 7)

skulle användas för att förutsäga arbetssucces. Låt oss anta att ett kriteriescore på 50 skulle kunna betraktas som tillfredsställande prestanda av de anställda och något mindre resulterade i otillfredsställande prestanda. Tabell 3.2 visar några testresultat på de två prediktorerna för fyra teoretiska arbetssökande. Det förutspådda kriteriesatsen för varje sökande har också beräknats med användning av ekvation 3.7. Observera att alla fyra sökande har exakt samma förutsägda kriterieprestanda trots att deras testresultatmönster skiljer sig ganska markant. När vi går vidare från person A genom person D ser vi att deras poäng på test 2 systematiskt minskar.

Denna droppe kompenseras emellertid med en motsvarande ökning av test 1-prestanda. Faktum är att en noggrann inspektion visar att en förstärkning av två punkter på test 1 är nödvändig för att kompensera för förlusten av varje punkt i test 2. Detta bör inte vara överraskande, eftersom den relativa vikten som ges till test 2 är dubbelt så stor som testa 1 i vår regressionsmodell (dvs b ₁ = 2, b ₂ = 4).

Figur 3.5 visar ännu tydligare dynamiken i urvalsprocessen som skapats av data i tabell 3.2. Kuvertet av poäng som visas i scatter-plot i Figur 3.5 visar en situation där de två prediktorerna av prestanda, x ₁ och x ₂, är positivt korrelerade. Om korrelationen r12 var noll, skulle scatter-plot naturligtvis vara en cirkel.

Formen av scatter-plot är emellertid inte kritisk för avvägningskonceptet som är inneboende i multipelregressionssystemet. Eftersom vi har sagt att en person med en förutsatt poäng på 50 eller bättre skulle betraktas som "tillfredsställande" kan vi plotta "50-punktslinjen" i Figur 3.5 som visar alla möjliga kombinationer av test 1 och test 2-poäng som kommer att resultera i ett kriteriepoäng på exakt 50 poäng med användning av ekvation 3.7. Som siffran indikerar ligger alla fyra sökande längs denna linje.

En intressant aspekt av Figur 3.5 är att linjen delar upp befolkningen av arbetssökande i två grupper eller regioner. Alla sökande till höger och över linjen kommer att ha kriteriepoäng (med ekvation 3, 7) som kommer att vara över 50. Alla sökande till vänster och under linjen kommer att ha kriteriespoäng på mindre än 50. Således kommer endast de förstnämnda att accepteras för anställning eftersom det förutses att deras prestation kommer att vara tillfredsställande.

De senare sökandena, med förutsagt prestanda mindre än tillfredsställande, kommer att avvisas med detta urvalssystem. Figur 3.6 sträcker sig i figur 3.5 i tre dimensioner, vilket visar de observerade kriteriepoängen samt pråkombinationerna för alla individer.

Det är viktigt att notera att planet i Figur 3.6 som delar anställda i de som skulle väljas med hjälp av den multipelregressionsmodellen som ges av ekvation 3.7 och de som skulle avvisas är inte regressionsplanet. Det kallas mer korrekt urvalsplanet. Läsaren hänvisas tillbaka till Figur 3.4 för en illustration av regressionsplanet i ett multipelregressionssystem med två förutsägelser.

Förutsättningar, fördelar och nackdelar med flera regressionssystem:

Multipelregressionsprediktionssystemet är ett kraftfullt valförfarande när det används på lämpligt sätt. Förutsatt att det grundläggande antagandet att alla relationer är linjära är sant, har den en matematisk elegans som är svår att överträffa. Man vet till exempel att modellen minimerar felen i förutsägelsen. En annan fördel med detta system är att prediktorer kombineras för att få den mest effektiva uppskattningen av efterföljande prestanda.

En av de viktigaste punkterna i fråga om multipelregressionsmodellen innebär att avvägningsprincipen är så implicit vid användningen. Huruvida X-enheter av en variabel kan ersättas med X-enheter på en annan variabel är alltid en viktig fråga. Visst kan metoden vara en extremt flexibel. Det är möjligt att ställa in ekvationer för var och en av ett antal jobb med antingen samma eller olika prediktorer. Som ett resultat kan beräknade poäng beräknas för varje person för varje jobb.

Människor kan då anställas och placeras på ett visst jobb med ett eller flera av följande förfaranden:

1. Placera varje person på det jobb där det förutspådda värdet är högst. Detta förmodar att organisationen kommer att dra största fördel om varje person placeras där han har mest lämplighet, oavsett den absoluta mängden av denna förmåga. Om inga positioner är öppna i det jobbet, skulle han placeras på ett annat jobb för vilket han fick det andra "bästa kriteriespelet".

Ett problem med ett sådant förfarande är att det är möjligt att jobben själva kan ha olika minimikrav för framgång. Således kan det hända att hans bästa poäng (förutsagt prestanda för jobb A) kanske inte är tillräckligt för förutsagt framgång på jobb A, medan hans andra bästa poäng (förutsagt prestanda på jobb B) kan vara långt över det värde som behövs för att förutsäga framgång på jobb B.

2. Placera varje person på det jobbet där hans förutspådda poäng ligger längst över det minsta poäng som behövs för att anses vara tillfredsställande. Denna metod är mer oroad över systemets totala effektivitet i stället för i vilken utsträckning varje person placeras på jobbet som han kan bäst utföra. Det undviker att sätta någon på ett jobb där hans prestanda blir substandard.

Flera Cut-off-system:

Det diskuterades tydligt i diskussionen om multipelregressionssystemet att den använda modellen förutsätter linjära relationer mellan prediktorerna och kriteriet. Ett sådant system protesteras ofta mot på grund av att för många egenskaper kan det finnas ett linjärt förhållande mellan prediktor och kriterium över det mesta av intervallet, kan det finnas en viss minsta acceptabel mängd av detta drag som är nödvändigt för att vara framgångsrik arbetstagare. Denna typ av relation mellan arbetsprestanda och test visas i Figur 3.7.

Funktionen prediktorkriterium i Figur 3.7 visar vad som händer när man antar att:

(1) Det finns ett visst minimibelopp för prediktorförmågan (egenskap X) som är nödvändig för arbetssucces och

(2) Eventuell brist eller brist i egenskap X under detta minimum kan inte kompenseras genom att ha en hel del annan förmåga som också har visat sig förutsäga arbetssucces.

Ett exempel på en sådan situation kan vara ett monteringsarbete som kräver både god syn och manuell fingerfärdighet. Generellt sett kan man konstatera att ju bättre en arbetares vision och desto bättre hans fingerfärdighet, desto mer framgångsrik den arbetaren skulle bruka vara på jobbet. Det kan dock finnas en punkt längs visionsdimensionen bortom vilken ingen fingerfärdighet skulle hjälpa.

Urvals- och placeringsproceduren som tar hänsyn till detta problem med minsta acceptabla värden kallas multipel cut-off-metoden, vilket innebär att en avstängningspunkt fastställs separat för varje prediktor. Om inte en person har en poäng ovanför cut-offen på alla prediktorer för ett visst jobb, kommer han inte att placeras på det jobbet.

Således finns inget begrepp av tillsats av egenskaper med denna metod. Att falla under minimum på någon prediktor diskvalificerar individen. Figurerna 3.8 och 3.9 visar regionerna för acceptans och avstötning med användning av det multipla skärsystemet för data som liknar det som användes för att illustrera multipelregressionssystemet i figurerna 3.5 och 3.6.

Kanske är det bästa sättet att jämföra de två metoderna att ange hur de skiljer sig när det gäller vem som ska väljas för jobbet. Figur 3.10 visar avsnitten för båda valmetoderna. Observera först och främst att oavsett vilken metod som används kommer de personer i område 7 alltid att accepteras och de personerna i områdena 1, 3 och 5 kommer alltid att avvisas. De personer som kommer att behandlas differentiellt som en funktion av urvalsförfarandet är de i områdena 2, 4 och 6.

Med multipelregressionsselektionssystemet accepteras alla personer i områdena 2 och 6 medan de i område 4 kommer att avvisas. Det omvända kommer att ske med hjälp av multipliceringsproceduren; folket i område 4 kommer att accepteras och de i områdena 2 och 6 kommer att avvisas. Således löser frågan till en av de relativa önskvärdena hos dessa två grupper av individer.

Lösningen är matematiskt komplex och har visats av Lord (1963) att vara främst en funktion av de två prediktorernas tillförlitlighet. Faktum är att under alla förhållanden förmodligen inte heller någon procedur ger exakt den bästa lösningen vid valet av den grupp anställda med högsta genomsnittliga kriteriepoäng. I stället verkar den optimala urvalsstrategin vara någon form av kompromiss mellan de två metoderna (se streckad linje i figur 3.10).

Bestämning av skärningsresultat:

Om man antar den multipla skärpunktstekniken blir det nödvändigt att bestämma de separata minsta acceptabla poängen för var och en av prediktorerna. Det här är inte en lätt uppgift eftersom det inte finns något specifikt "korrekt" sätt att ställa in ett poäng nedan vilket alla människor diskvalificeras. Relationerna i urvalsförhållandet och procenten av medarbetarna ansågs tillfredsställande (skärningsresultatet), han kommer att börja se hur komplicerat problemet är när två prediktorer är inblandade.

I allmänhet blir processen med att skapa skärvärdesvärden ett av försök och fel där olika värden för varje prediktor försökas. För varje par av skårresultat måste forskaren bestämma hur högt genomsnittet eller kompositkriteriepoängen för de valda är med avseende på andra skäravskombinationer. Han måste också ta hänsyn till antalet arbetstillfällen med hänsyn till det totala antalet sökande (urvalskvotmåttet).

Förutsättningar, fördelar och nackdelar med flera skärningsresultat:

För att sammanfatta de ovan angivna punkterna antar metoden att skära poäng verkligen ett olinjärt förhållande mellan prediktorer och kriterium. För det andra skiljer det sig från begreppet substitution av testresultat, åtminstone i vissa delar av intervallet. Den enda tydliga fördelen är att det vanligtvis är en enkel metod för personalen att genomföra eftersom ingen utarbetade beräkningsprocedurer eller formler krävs.

Men som nämnts krävs en viss mängd försök och fel för att få skäre poäng som kommer att fungera på det mest tillfredsställande sättet. En av dess mer kritiska nackdelar är att det inte ger en enda poäng för varje individ som kan användas för att förutsäga hur framgångsrikt han kommer att vara på ett jobb i förhållande till hans framgång på ett annat jobb. Således kan den faktiska arbetsplaceringen via skärande poäng bli extremt besvärlig.

Profil Matchningssystem:

Ett tredje tillvägagångssätt för val av anställda och placering är profilmatchningssystemet. Det finns många versioner av denna metod som i huvudsak skiljer sig åt när det gäller hur profilerna matchas. De återstående aspekterna av förfarandet är emellertid ganska oförändrade från version till version. Metoden i sig är ganska enkel. Om man har k-variabler (prediktorer) som accepteras som viktiga för framgång på jobbet, mäter man alla "framgångsrika" anställda på jobbet på var och en av dessa k-prediktorer. Resultatvärdena är sedan genomsnittliga för att få en "typisk" profil för en framgångsrik arbetare. En hypotetisk typisk profil visas i Figur 3.11.

I det här exemplet har tio prediktorer använts för att beskriva den typiska framgångsrika arbetstagaren på jobbet A. Som uppgifterna indikerar kommer en framgångsrik arbetare på jobbet A att ha höga poäng (jämfört med andra arbetare) på variablerna 2, 3, 5, 6, och 8. Hans betyg på variablerna 1, 4, 7, 9 och 10 skiljer sig inte mycket från medarbetarnas genomsnittliga prestanda i allmänhet. När denna typ av ideell profil har uppnåtts används den sedan som en standard mot vilken de enskilda profilerna för alla nya sökande jämförs.

Vid denna tidpunkt uppstår två ganska viktiga frågor i profilmetoden. Först, hur bestämmer man vilka prediktorer som är relevanta, det vill säga vilka som ska inkluderas i profilen? För det andra, med tanke på att profilelementen väl har valts, bedömer man på ett tillfredsställande sätt graden som någon persons profil matchar den ideala profilen? Det sätt på vilket dessa två problem löses kan oerhört påverka den eventuella ljudligheten och giltigheten för varje profilmatchningssystem.

Val av profilelement:

Varje profilelement används som en förutsägelse för arbetssucces, liksom prediktorerna i de metoder som tidigare diskuterats. Det är då absolut nödvändigt att fastställa varje profilelements giltighet innan de används som ett sätt att välja och / eller placera individer på jobbet. Vilken garanti har vi till exempel att dåliga eller otillfredsställande arbetstagare inte har en sammansatt profil som ser ut exakt som den som visas i Figur 3.11? Vi har ingen alls, om inte vi fortsätter att ta reda på empiriskt vad den otillfredsställande kompositen ser ut genom att faktiskt mäta en grupp av dessa personer på samma egenskaper och beräkningsgruppsgenomsnitt.

Det bör vara uppenbart att endast de prediktorer som visar en signifikant skillnad i medelvärden mellan de tillfredsställande och otillfredsställande grupperna bör ingå i den ideala profilen. Alla egenskaper som inte tydligt skiljer mellan "bra" och "fattiga" anställda kommer bara att lägga till fel och förvirring genom att vara inblandade i urvalsprocessen. Eftersom validering av varje egenskap är ett nödvändigt (men alltför ofta ignorerat) steg i profilobjektvalet, kan det vara en legitim fråga att fråga varför inte bara använda alla profilprediktorer i en multipelregressionsekvation (eller kanske till och med en multipel cut-off ). Faktum är att svaret på detta beror på vilken metod som används för att jämföra profiler, vilket kommer att ses i följande avsnitt.

Metoder för att jämföra profiler:

Det finns två helt olika procedurer som kan antas vid jämförelse av varje individs profiler till idealprofilen. En metod väljer de personer som har profiler som passar kompositen närmast. Detta resulterar i sin tur i ett antal procedurer, beroende på hur begreppet matchning definieras.

Ett sätt att definiera en bra match är att säga att ju närmare poängen i en profil är till punkterna i den andra profilen desto bättre matchar. Denna metod använder då skillnaderna mellan de två poängen för varje egenskap för att få ett mått på likhet (eller olikhet). Det vanligaste förfarandet beräknar dessa skillnader, kvadrerar dem och lägger sedan till dem för att få en likhetsåtgärd. Således, om vi har en profil med k egenskaper, och om vi definierar vidare

X _ij - Resultat av person jag på egenskap j

X _8j = Resultatet av standardprofilen på egenskap j

då D2 = ( _Xjj- _Xjj ) 2

och ΣD ² skulle representera graden till vilken profilen för personen jag matchade standardprofilen. Ju större ΣD ², desto fattigare matchen. Det är viktigt att inse att D ^2- metoden inte alls handlar om huruvida antalet personer som faller över eller under kompositen, det vill säga riktningen är inte viktig med detta matchande förfarande. Allt som räknas är närhet av profilpunkter.

En andra metod för att definiera profillikhet uttrycks i förhållande till vår gamla vän korrelationskoefficienten. En hög korrelation mellan individens poäng är profilen och poängen av den ideala profilen indikerar att de två profilerna har liknande mönster, det vill säga enskilda, jag har höga poäng på de egenskaper som den ideala profilen också har höga poäng på, och han får låga poäng på de egenskaper där den idealiska profilen också har låga poäng. Figur 3.12 visar exempel på profiler som illustrerar hur användningen av olika metoder för att bedöma likhet kan resultera i att olika individer väljs för jobbet. Undersökning av Figur 3.12 avslöjar snabbt att det allmänna mönstret för person B: s poäng duplicerar det av den ideala eller vanliga profilen mycket närmare än gör poängen av person A.

De verkliga poängen som erhållits av person A verkar dock vara närmare i värde än standardprofilen än poängen på individuell Bs profil. Vi kan därför hypotesera att individ A borde ha det lägre (mer önskvärda) ΣD ^2- värdet medan individuella B borde ha den högre korrelationen (mer önskvärt) med standarden.

Som uppgifterna i Tabell 3.3 visar, visar sig i själva verket att det är fallet. När värdena som anges i figur 3.12 används för att beräkna ΣD ² är personens A-poäng (ΣD ² _as ) 500, medan person Bs poäng (ΣD ² _bs ) är mycket större, med ett värde av 2000. Å andra sidan när korrelationer mellan profiler beräknas, korrelationen mellan profil A och standardprofilen beräknas r _som = - 1, 00, medan korrelationen mellan profil B och standarden r _bs visar sig vara 1.00-fullständig överenskommelse. Om sålunda D2-metoden användes som ett urvalskriterium skulle vi välja person A; om vi var - att använda korrelation mellan profiler som en metod, skulle vi välja person B. "

Välja en procedur:

Vilket förfarande är bäst är en fråga som endast kan besvaras med empiriska medel i en viss inställning. I all sannolikhet är dock varken D2 eller korrelationsmetoden den bästa tekniken. Om egenskaperna i profilen har valts utifrån att ha diskriminerats betydligt mellan bra och dåliga anställda (som de verkligen borde väljas), då är det logiska avdraget att höga poäng på ett drag är önskvärda och låga scorers ska undvikas (eller vice versa, beroende på egenskapen).

Om vi antar att det signifikanta sambandet mellan varje egenskap i profilen och arbetssuccessen är positiv och linjär, då vill vi välja personer enligt en av följande procedurer:

1. Välj de personer vars profilpoäng tenderar att vara högsta, dvs. deras genomsnittliga profilpoäng används som ett valindex. Med hjälp av denna procedur kan en person ha en stor ΣD ^2- poäng och fortfarande väljas, så länge som hans profilpoäng tenderar att ligga över motsvarande profilpunkter för standarden. Denna procedur motsvarar användningen av en multipelregressionsvalmodell där varje profilegenskap är en prediktor och regressionsvikterna antas vara lika för varje prediktor. Lågprofilpoäng på ett drag kan kompenseras av högpresterande poäng på ett annat drag.

2. Välj de personer som har profiler med högsta genomsnittliga profilpoäng och vars poäng alla ligger över deras motsvarande ideella profilparter. Detta är givetvis ekvivalent med en kombination av multipel cut-off-valmetoden och multipel regressionsmetoden.

De ideala profilpunkterna används för att fastställa minimala acceptabla poängvärden. Alla personer som därmed kvalificeras utvärderas sedan via multipelregressionssystemet. Ett sådant förfarande kan antagligen endast fungera i fall där urvalsförhållandet är tillräckligt liten för att man ska kunna använda ganska stränga avskärningsvärden. Visst att använda den genomsnittliga poängen för varje egenskap för en grupp framgångsrika anställda som minsta acceptabla värden skapar en hård hinder för nya sökande.

Antingen av dessa senare förfaranden verkar vara något mer motiverat sätt att använda profiler för val än de två första procedurerna, D 'eller r. Begreppet "ideal" -profil där avvikelser i vilken riktning som helst anses vara dålig kan De allvarligt ifrågasätta logiska skäl.

Flera hindersystem:

De flesta urvalssituationer innebär försök att förutse senare framgång på en viss uppgift genom att använda en eller flera prediktiva åtgärder som uppnåtts vid tidpunkten för arbetsansökan. Vissa urvalssituationer, såsom ledarskapsutbildning, innehåller emellertid lite långa perioder och slutlig utvärdering efter ganska lång tid, men med tillfälliga utvärderingar eller hinder på olika framsteg.

Tänk på situationen som illustreras i Figur 3.13. Här har vi diagramat ett träningsprogram som kan användas av ett stort företag som ett sätt att screena, träna och placera nya högskoleexamen inom företaget. Företaget anställer initialt ett visst antal högskoleexamen, kanske med hjälp av högskolepoäng, intervjuer, rekommendationsbrev och tester som ett sätt att välja personer. Alla hyrdar får höra att deras urval är på provisorisk basis och att de kommer att utvärderas kontinuerligt under sitt träningsprogram. Om prestanda under träning inte är tillfredsställande kan de släppas från programmet.

Det är säkert i företagets intresse att göra ett exakt beslut om varje individ så tidigt som möjligt. På samma sätt är det lika med arbetstagarens bästa att beslut fattas så tidigt som möjligt. Den grad som det är möjligt att förutsäga framgång som ett resultat av träningsprogramet ökar i korrekthet (det vill säga validitetsökningar) ju längre vi kan följa individens prestanda under träning. Vid slutet av den tredje utvärderingsperioden borde vi säkert kunna förutsäga mycket mer exakt om en spårvagn kommer att avsluta kursen framgångsrikt än vi kunde göra vid den tid han anställdes.

Situationen är ganska analog med problemet med att förutsäga slutbetyg av högskolestudenter. Självklart kan man göra bättre förutsägelser när den studerande börjar sitt seniorår än vid den tid han går in på college. Figur 3.14 illustrerar den förändring av giltighet som man logiskt kan förvänta sig att uppstå i en situation som den som visas i figur 3.13.

På ett sätt är mekanikerna för en situation som visas i Figur 3.13 identiska med de vanligaste multipla prediktionssituationerna: Ett antal framgångsförutsägare är tillgängliga, men för att erhålla varje ytterligare prediktor är det nödvändigt att ytterligare tid och pengar investeras i det praktikant. Sekventiella prediktorer används på flera sätt.

Oftast används en av följande metoder:

1. En person måste poängera över ett visst önskvärt värderingsvärde vid varje utvärderingsfas. Således blir varje etapp en hinder som praktikanten måste rensa om han ska behållas i programmet.

2. En sammansatt multipelregression beräknas vid varje successiv utvärderingspunkt och sannolikheten för framgång beräknas för varje person som återstår i programmet. När denna sannolikhet sjunker under något godtyckligt värde (till exempel 25 procent), hamnar han från programmet.

Problem med begränsning av intervall:

En svårighet som uppstår i sekventiella urvalssituationer är ett problem som kallas effekten av "begränsning av intervall" vid validitetsuppskattningar. Om vi har använt prediktor 1 för att välja personer inledningsvis och sedan om vi därefter beräknar sambandet mellan prediktor I och kriteriet eller beräknar sambandet mellan någon annan prediktor 2 och kriteriet, har våra beräknade validitetskoefficienter r _1c eller _2c lection ägt rum . Genom att förvala har vi begränsat kompetensområdet (och därmed prediktionsresultat) som kommer att minska korrelationskoefficienten. Faktum är att vår prediktor 1 verkar på ett sätt som liknar kontrollvariabeln i partiell korrelation; eftersom det redan har svarat för en del av variansen kommer korrelationen r _2c att reduceras. För att få en uppskattning av vad validiteten _R2c är, kan man använda korrigeringsformeln.