Vorhersagesysteme für Beschäftigungsentscheidungen

Das typische Vorhersageproblem, sei es Auswahl, Platzierung oder beides, erfordert die Verwendung einer Reihe von Prädiktoren. Diese Prädiktoren werden auf bestmögliche Weise als Leitfaden für die Entscheidung über die Beschäftigung verwendet. Es gibt Entscheidungen wie „sollte er für diesen Job eingestellt werden?“ Oder „sollte sie zu diesem Trainingsprogramm geschickt werden?“. Es gibt mehrere Strategien, die der Psychologe in Bezug auf seine Herangehensweise an den Entscheidungsprozess anwenden kann. Abhängig von dem jeweils verwendeten Prognosesystem können sich die Beschäftigungsentscheidungen ganz anders entwickeln.

Während jedes System seine eigenen Vor- und Nachteile hat, bietet jedes System eine Methode zum Treffen von Entscheidungen über Personen, die auf einer Gruppe von Merkmalen oder Qualitäten (den Prädiktoren) basieren, von denen angenommen wird, dass sie für den beruflichen Erfolg relevant sind.

Die Hauptsysteme sind:

(1) das multiple Regressionssystem,

(2) das Mehrfachabschaltsystem,

(3) das Profilanpassungssystem und

(4) Das System mit mehreren Hürden.

Jedes System wird in den folgenden Abschnitten genauer untersucht.

Multiple Regressionssystem:

Wie der Name schon sagt, verwendet dieses Platzierungssystem das multiple Regressionsmodell, um Entscheidungen über Einzelpersonen zu treffen. Das multiple Regressionsmodell hat die Form y = b ₁ x ₁ + b ₂ x ₂ (angenommen a = 0) (3.6)

Die Verwendung eines solchen Modells bei der Auswahl setzt voraus, dass (1) die Merkmale x ₁ und x ₂ in linearem Zusammenhang mit der Kriteriumsleistung stehen und (2) der Besitz eines „Posten“ eines der Merkmale nur ein „wenig“ kompensiert ”Des zweiten Merkmals.

In einer Situation, in der zum Beispiel bi = 2 und b ₂ = 4 und a = 0 ist, gilt die Formel y = 2x ₁ + 4x ₂ (3.7)

würde für die Vorhersage des beruflichen Erfolgs verwendet werden. Nehmen wir an, ein Kriterium von 50 könnte von den Mitarbeitern als zufriedenstellende Leistung angesehen werden, und alles andere, was zu einer nicht zufriedenstellenden Leistung führte, wäre. Tabelle 3.2 zeigt einige Testergebnisse zu den beiden Prädiktoren für vier theoretische Bewerber. Die vorhergesagte Kriteriumsbewertung für jeden Bewerber wurde ebenfalls unter Verwendung von Gleichung 3.7 berechnet. Beachten Sie, dass alle vier Bewerber genau dieselbe vorhergesagte Kriteriumsleistung aufweisen, auch wenn sich die Testergebnismuster deutlich voneinander unterscheiden. Wenn wir von Person A bis Person D fortschreiten, sehen wir, dass ihre Bewertungen in Test 2 systematisch abnehmen.

Dieser Rückgang wird jedoch durch eine entsprechende Steigerung der Leistung von Test 1 kompensiert. Bei genauerem Hinsehen zeigt sich, dass ein Gewinn von zwei Punkten bei Test 1 erforderlich ist, um den Verlust jedes Punkts bei Test 2 zu kompensieren. Dies sollte nicht überraschen, da das relative Gewicht für Test 2 doppelt so hoch ist Test 1 in unserem Regressionsmodell (dh b ₁ = 2, b ₂ = 4).

Abbildung 3.5 zeigt noch deutlicher die Dynamik des durch die Daten in Tabelle 3.2 erzeugten Auswahlprozesses. Die in dem Streudiagramm von Abbildung 3.5 dargestellte Einhüllende von Scores stellt eine Situation dar, in der die beiden Prädiktoren für die Leistung, x ₁ und x ₂, positiv korreliert sind. Wenn die Korrelation r ₁₂ Null wäre, wäre das Streudiagramm natürlich ein Kreis.

Die Form des Streudiagramms ist jedoch nicht kritisch für das Trade-Off-Konzept des multiplen Regressionssystems. Da wir gesagt haben, dass jede Person mit einem vorhergesagten Score von 50 oder besser als „zufriedenstellend“ betrachtet werden sollte, können wir die „50-Punkte-Linie“ in Abbildung 3.5 darstellen, die alle möglichen Kombinationen von Test 1 und Test 2 zeigt mit Gleichung 3.7 ergibt sich ein Kriterium von genau 50 Punkten. Wie aus der Abbildung hervorgeht, liegen alle vier Bewerber auf dieser Linie.

Ein interessanter Aspekt von Abbildung 3.5 ist, dass die Linie der Bewerber in zwei Gruppen oder Regionen unterteilt wird. Alle Bewerber rechts und oberhalb der Linie haben Kriteriumswerte (unter Verwendung von Gleichung 3.7), die über 50 liegen werden. Alle Bewerber links und unterhalb der Linie haben Kriteriumswerte von weniger als 50. Daher wird nur der erste Bewerber angezeigt zur Beschäftigung angenommen werden, da davon ausgegangen wird, dass ihre Leistung zufriedenstellend sein wird.

Letztere Antragsteller, deren voraussichtliche Leistung nicht zufriedenstellend ist, werden mit diesem Auswahlsystem abgelehnt. Abbildung 3.6 erweitert Abbildung 3.5 in drei Dimensionen und zeigt die beobachteten Kriteriumswerte sowie die Prädiktorwerte für alle Personen.

Es ist wichtig zu beachten, dass die Ebene in Abbildung 3.6, die die Angestellten in diejenigen unterteilt, die mit Hilfe des multiplen Regressionsmodells gemäß Gleichung 3.7 ausgewählt werden, und diejenigen, die abgelehnt werden, nicht die Regressionsebene ist. Es wird eher als Auswahlebene bezeichnet. Der Leser wird zur Veranschaulichung der Regressionsebene in einem Zwei-Prädiktor-Mehrfachregressionssystem auf Abbildung 3.4 zurückgeführt.

Annahmen, Vorteile und Nachteile eines Systems mit multipler Regression:

Das multiple Regressionsvorhersagesystem ist bei entsprechender Verwendung ein leistungsfähiges Auswahlverfahren. Vorausgesetzt, dass alle Beziehungen linear sind, hat sie eine mathematische Eleganz, die kaum zu übertreffen ist. Man weiß zum Beispiel, dass das Modell die Fehler in der Vorhersage minimiert. Ein weiterer Vorteil dieses Systems besteht darin, dass Prädiktoren kombiniert werden, um die effizienteste Schätzung der nachfolgenden Leistung zu erhalten.

Einer der Hauptpunkte der Kontroverse bezüglich des multiplen Regressionsmodells ist das in seiner Verwendung implizierte Kompromissprinzip. Ob X-Einheiten einer Variablen durch X-Einheiten einer anderen Variablen ersetzt werden können, ist immer eine Moot-Frage. Die Methode kann sicherlich sehr flexibel sein. Es ist möglich, Gleichungen für jeden Job unter Verwendung derselben oder verschiedener Prädiktoren einzurichten. Als Ergebnis können vorhergesagte Punktzahlen für jede Person für jeden Job berechnet werden.

Die Mitarbeiter könnten dann mit einem oder mehreren der folgenden Verfahren eingestellt und für eine bestimmte Stelle eingesetzt werden:

1. Platzieren Sie jede Person für den Job, für den die vorhergesagte Punktzahl am höchsten ist. Dies setzt voraus, dass die Organisation am meisten profitiert, wenn sich jede Person an der Stelle befindet, an der sie am geeignetsten ist, unabhängig von der absoluten Höhe dieser Fähigkeit. Wenn in diesem Job keine offenen Stellen vorhanden sind, wird er in einen anderen Job versetzt, für den er das zweitbeste Kriterium erhält.

Ein Problem bei einem solchen Verfahren ist, dass die Jobs selbst möglicherweise unterschiedliche Mindestanforderungen für den Erfolg haben. Es kann daher vorkommen, dass sein bestes Ergebnis (vorhergesagte Leistung für Job A) für den vorhergesagten Erfolg bei Job A nicht ausreicht, während sein zweitbestes Ergebnis (vorhergesagte Leistung für Job B) deutlich über dem Wert liegt, der für die Vorhersage des Erfolgs erforderlich ist Job B.

2. Platzieren Sie jede Person an dem Arbeitsplatz, dessen vorhergesagte Punktzahl am weitesten über der Mindestpunktzahl liegt, die erforderlich ist, um als zufriedenstellend zu gelten. Bei dieser Methode geht es eher um die Gesamteffizienz des Systems als darum, inwieweit jede Person für die Arbeit eingesetzt wird, die sie am besten kann. Dadurch wird vermieden, dass jemand einen Job bekommt, an dem seine Leistung unterdurchschnittlich ist.

Mehrere Cut-Off-Systeme:

In der Diskussion des multiplen Regressionssystems wurde klar darauf hingewiesen, dass das verwendete Modell lineare Beziehungen zwischen den Prädiktoren und dem Kriterium annimmt. Ein solches System wird häufig beanstandet auf der Grundlage, dass, obwohl für viele Merkmale eine lineare Beziehung zwischen Prädiktor und Kriterium über den größten Teil des Bereichs bestehen kann, ein gewisser Mindestbetrag dieser Eigenschaft vorhanden sein kann, der erforderlich ist, um erfolgreich zu sein Arbeitnehmer. Diese Art der Beziehung zwischen Arbeitsleistung und Test wird in Abbildung 3.7 gezeigt.

Die Prädiktor-Kriterium-Funktion in Abbildung 3.7 zeigt, was passiert, wenn man folgendes annimmt:

(1) Es gibt einen Mindestbetrag der Prädiktorfähigkeit (Merkmal X), die für den Joberfolg erforderlich ist, und

(2) Ein Mangel oder Mangel an Merkmal X, der unter diesem Minimum liegt, kann nicht dadurch kompensiert werden, dass viele andere Fähigkeiten vorhanden sind, von denen auch gezeigt wurde, dass sie den Erfolg der Arbeit vorhersagen.

Ein Beispiel für eine solche Situation könnte eine Montage sein, die sowohl gute Sicht als auch manuelle Geschicklichkeit erfordert. Im Allgemeinen kann man feststellen, dass je besser die Vision eines Arbeiters und je besser seine Fingerfertigkeit ist, desto erfolgreicher ist dieser Arbeitnehmer im Beruf. Es könnte jedoch einen Punkt entlang der Vision-Dimension geben, ab dem keine Menge an Geschicklichkeit helfen würde.

Das Auswahl- und Platzierungsverfahren, das dieses Problem der akzeptablen Mindestwerte berücksichtigt, wird als Multiple-Cut-Off-Methode bezeichnet, das heißt, dass für jeden Prädiktor ein Grenzwert separat festgelegt wird. Wenn eine Person nicht über alle Kriterien für einen bestimmten Job hinausgeht, wird sie für diesen Job nicht eingesetzt.

Daher existiert bei dieser Methode kein Konzept der additiven Charakteristik. Wenn Sie bei einem Prädiktor ein Minimum unterschreiten, wird die Person disqualifiziert. Die Abbildungen 3.8 und 3.9 zeigen die Bereiche der Akzeptanz und Ablehnung unter Verwendung des Systems mit mehreren Abschaltungen für Daten, die denjenigen ähnlich sind, die zur Veranschaulichung des Systems zur multiplen Regression in den Abbildungen 3.5 und 3.6 verwendet wurden.

Die beste Methode zum Vergleich der beiden Methoden besteht vielleicht darin, anzugeben, wie sie sich in Bezug darauf unterscheiden, wer für den Job ausgewählt wird. Abbildung 3.10 zeigt die Abschneidelinien für beide Auswahlmethoden. Beachten Sie zunächst, dass unabhängig von der verwendeten Methode die Personen in Bereich 7 immer akzeptiert werden und die Personen in den Bereichen 1, 3 und 5 immer abgelehnt werden. Die Personen, die in Abhängigkeit vom Auswahlverfahren differenziert behandelt werden, sind die in den Bereichen 2, 4 und 6.

Bei Verwendung des Systems zur Auswahl der multiplen Regression werden alle Personen in den Bereichen 2 und 6 akzeptiert, während diejenigen in Bereich 4 abgelehnt werden. Die Umkehrung erfolgt im Mehrfachabschneideverfahren; Die Menschen in Bereich 4 werden angenommen und Personen in Bereich 2 und 6 werden abgelehnt. Somit stellt sich die Frage als eine der relativen Erwünschtheiten dieser beiden Personengruppen.

Die Lösung ist mathematisch komplex und hat von Lord (1963) gezeigt, dass er in erster Linie von der Zuverlässigkeit der beiden Prädiktoren abhängt. In den meisten Fällen gibt wahrscheinlich kein Verfahren genau die beste Lösung für die Auswahl dieser Gruppe von Mitarbeitern mit dem höchsten Durchschnittskriterium. Stattdessen scheint die optimale Auswahlstrategie eine Art Kompromiss zwischen den beiden Methoden zu sein (siehe gestrichelte Linie in Abbildung 3.10).

Schnittwerte bestimmen:

Wenn Man die Mehrfachschnitt-Bewertungsmethode anwendet, wird es notwendig, die separaten akzeptablen Mindestwerte für jeden der Prädiktoren zu bestimmen. Dies ist keine einfache Aufgabe, da es keine „richtige“ Methode gibt, eine Punktzahl festzulegen, unter der alle Personen disqualifiziert werden. Die Beziehungen, die an der Auswahlquote beteiligt sind, und der Prozentsatz der Beschäftigten, die als zufriedenstellend eingestuft wurden (Schnittergebnis), werden erkennen, wie komplex das Problem ist, wenn zwei Prädiktoren beteiligt sind.

Im Allgemeinen wird der Prozess des Einrichtens der Schnittwertwerte zu einem Versuch und Fehler, bei dem unterschiedliche Werte für jeden Prädiktor versucht werden. Für jedes Paar von Schnittwerten muss der Forscher bestimmen, wie hoch der durchschnittliche oder zusammengesetzte Kriteriumswert dieser ausgewählten Kriterien in Bezug auf andere Schnittwertkombinationen ist. Er muss auch die Anzahl der offenen Stellen in Bezug auf die Gesamtzahl der Bewerber berücksichtigen (Maß der Auswahlquote).

Annahmen, Vorteile und Nachteile mehrerer Schnittwerte:

Um die oben genannten Punkte zusammenzufassen, geht die Methode des Abschneidens von Scores tatsächlich von einer nichtlinearen Beziehung zwischen Prädiktoren und Kriterium aus. Zweitens wird das Konzept der Substitution von Testergebnissen zumindest in bestimmten Teilen des Bereichs missachtet. Der einzige Vorteil ist, dass es für den Personalmann in der Regel eine einfache Methode ist, da keine aufwendigen Berechnungsverfahren oder Formeln erforderlich sind.

Wie bereits erwähnt, ist jedoch ein gewisses Maß an Versuch und Irrtum notwendig, um Schnittwerte zu erzielen, die auf befriedigendste Weise funktionieren. Ein kritischerer Nachteil ist, dass es nicht für jeden Einzelnen eine einzige Punktzahl gibt, anhand derer vorhergesagt werden kann, wie erfolgreich er in einem Job sein wird, im Vergleich zu seinem Erfolg in einem anderen Job. Daher kann die tatsächliche Vermittlung von Arbeitsplätzen durch das Abschneiden von Ergebnissen äußerst mühsam werden.

Profilabgleichsystem:

Ein dritter Ansatz zur Auswahl und Vermittlung von Mitarbeitern ist das Profilabgleichsystem. Es gibt zahlreiche Versionen dieser Methode, die sich hauptsächlich in der Art und Weise unterscheiden, wie Profile abgeglichen werden. Die übrigen Aspekte des Verfahrens sind jedoch von Version zu Version eher unveränderlich. Die Methode selbst ist ziemlich einfach. Wenn man k-Variablen (Prädiktoren) hat, die als für den Erfolg am Arbeitsplatz wichtig angesehen werden, misst man alle "erfolgreichen" Angestellten an dem Job an jedem dieser k Prädiktoren. Die Bewertungen werden dann gemittelt, um ein "typisches" Profil eines erfolgreichen Arbeiters zu erhalten. Ein hypothetisches typisches Profil ist in Abbildung 3.11 dargestellt.

In diesem Beispiel wurden zehn Prädiktoren verwendet, um den typischen erfolgreichen Worker am Job A zu beschreiben. Wie die Daten zeigen, hat ein erfolgreicher Worker am Job A tendenziell hohe Bewertungen (im Vergleich zu anderen Arbeitern) für die Variablen 2, 3, 5, 6 und 8. Seine Bewertungen der Variablen 1, 4, 7, 9 und 10 unterscheiden sich nicht wesentlich von der durchschnittlichen Leistung der Arbeiter im Allgemeinen. Sobald ein solches ideales Profil erstellt wurde, wird es als Standard verwendet, mit dem die individuellen Profile aller neuen Bewerber verglichen werden.

An dieser Stelle stellen sich zwei recht wichtige Fragen in der Profilmethode. Erstens, wie entscheidet man, welche Prädiktoren relevant sind, dh welche sollten in das Profil aufgenommen werden? Zweitens: Wie beurteilen Sie den Grad einer Übereinstimmung der Profilelemente einer Person mit dem Idealprofil, wenn die Profilelemente erfolgreich ausgewählt wurden? Die Art und Weise, wie diese beiden Probleme gelöst werden, kann die spätere Zuverlässigkeit und Gültigkeit eines Profilanpassungssystems enorm beeinflussen.

Auswahl der Profilelemente:

Jedes Profilelement wird als Prädiktor für den Joberfolg verwendet, ebenso wie die Prädiktoren in den zuvor erörterten Methoden. Es ist dann sicherlich wichtig, die Gültigkeit jedes Profilelements zu bestimmen, bevor es als Mittel zur Auswahl und / oder zur Einstufung von Personen in den Job verwendet wird. Welche Gewissheit haben wir zum Beispiel, dass arme oder unbefriedigende Arbeitnehmer kein zusammengesetztes Profil haben, das genauso aussieht wie das in Abbildung 3.11 gezeigte? Wir haben überhaupt keine, es sei denn, wir erfahren empirisch, wie der unbefriedigende Verbund aussieht, indem wir tatsächlich eine Gruppe dieser Personen anhand derselben Merkmale messen und die Durchschnittswerte der Berechnungsgruppen berechnen.

Es sollte offensichtlich sein, dass nur diejenigen Prädiktoren in das Idealprofil aufgenommen werden sollten, die einen signifikanten Unterschied in den mittleren Bewertungen zwischen den zufriedenstellenden und den unbefriedigenden Gruppen aufweisen. Jede Eigenschaft, die nicht eindeutig zwischen „guten“ und „schlechten“ Mitarbeitern unterscheidet, führt nur zu Fehlern und Verwirrung, wenn sie in den Auswahlprozess eingefügt wird. Da die Validierung jedes Merkmals ein notwendiger (jedoch allzu oft ignorierter) Schritt bei der Profilelementauswahl ist, kann es eine legitime Frage sein, zu fragen, warum nicht einfach alle Profilprädiktoren in einer multiplen Regressionsgleichung (oder sogar einem mehrfachen Cutoff) verwendet werden ). Tatsächlich hängt die Antwort darauf davon ab, welche Methode zum Vergleich von Profilen verwendet wird, wie im folgenden Abschnitt gezeigt wird.

Methoden zum Vergleich von Profilen:

Es gibt zwei recht unterschiedliche Verfahren, die angewendet werden können, um die Profile jedes Einzelnen mit dem Idealprofil zu vergleichen. Eine Methode wählt die Personen aus, deren Profile dem Verbund am besten entsprechen. Dies führt wiederum zu einer Auswahl von Verfahren, abhängig davon, wie der Begriff Übereinstimmung definiert wird.

Eine Möglichkeit, eine gute Übereinstimmung zu definieren, besteht darin, zu sagen, dass je näher die Punkte eines Profils an den Punkten des anderen Profils liegen, desto besser ist die Übereinstimmung. Diese Methode verwendet dann die Unterschiede zwischen den beiden Bewertungen für jedes Merkmal, um ein Maß für die Ähnlichkeit (oder Unähnlichkeit) zu erhalten. Die gebräuchlichste Prozedur berechnet diese Unterschiede, quadriert sie und addiert sie dann zu einem Ähnlichkeitsmaß. Also, wenn wir ein Profil mit k Merkmalen haben und wenn wir weiter definieren

X _ij - Punktzahl von Person i nach Merkmal j

X _8j = Ergebnis des Standardprofils in Merkmal j

dann D ² = (X _ij - X _aj ) 2

und ΣD ² würde den Grad repräsentieren, zu dem das Profil der Person i mit dem Standardprofil übereinstimmt. Je größer ΣD ^{2 ist}, desto schlechter ist das Spiel. Es ist wichtig zu wissen, dass sich die D ² -Methode überhaupt nicht damit beschäftigt, ob die Bewertungen der Person über oder unter dem Verbund liegen oder nicht, dh die Richtung ist bei diesem Abgleichverfahren nicht wichtig. Alles, was zählt, ist die Nähe der Profilpunkte.

Eine zweite Methode zur Definition der Profilähnlichkeit drückt sich in Form unseres Korrelationskoeffizienten aus. Eine hohe Korrelation zwischen den Punktzahlen des Einzelnen ist das Profil, und die Punktzahlen des Idealprofils zeigen an, dass die beiden Profile ähnliche Muster aufweisen, dh, dass das Einzel-i bei den Merkmalen hoch ist, bei denen das Idealprofil ebenfalls hohe Punktzahlen aufweist, und bei diesen niedrig Eigenschaften, bei denen das Idealprofil auch niedrige Werte aufweist. Abbildung 3.12 zeigt Beispiele von Profilen, die veranschaulichen, wie die Verwendung verschiedener Methoden zur Bewertung der Ähnlichkeit dazu führen kann, dass verschiedene Personen für den Job ausgewählt werden. Die Untersuchung von Abbildung 3.12 zeigt schnell, dass das allgemeine Muster der Bewertungen von Person B das des Ideal- oder Standardprofils sehr viel genauer macht als die Ergebnisse von Person A.

Die von der Person A tatsächlich erreichten Punktzahlen scheinen jedoch den Werten des Standardprofils näher zu liegen als die Punktzahlen des individuellen Profils B. Wir können daher die Hypothese aufstellen, dass das Individuum A den niedrigeren (wünschenswerteren) ΣD ² -Wert haben sollte, während das Individuum B die höhere Korrelation (besser) mit dem Standard haben sollte.

Wie die Daten in Tabelle 3.3 zeigen, erweist sich dies tatsächlich als der Fall. Wenn die in Abbildung 3.12 angegebenen Werte zur Berechnung von ΣD ^{2 verwendet werden}, ist die Punktzahl von Person A (ΣD2 _as ) 500, während die Punktzahl von Person B (ΣD ² _bs ) mit einem Wert von 2000 viel größer ist Korrelationen zwischen Profilen werden berechnet, die Korrelation zwischen Profil A und dem Standardprofil wird berechnet _als = - 1, 00, während die Korrelation zwischen Profil B und dem Standard, r _bs, 1, 00 beträgt - vollständige Übereinstimmung. Wenn also die D2-Methode als Auswahlkriterium verwendet würde, würden wir Person A auswählen; Wenn wir die Korrelation zwischen Profilen als Methode verwenden würden, würden wir Person B auswählen. “

Ein Verfahren wählen:

Welches Verfahren am besten ist, ist eine Frage, die in einem bestimmten Umfeld nur empirisch beantwortet werden kann. Aller Wahrscheinlichkeit nach ist jedoch weder das D2 noch das Korrelationsverfahren die beste Technik. Wenn die Merkmale des Profils auf der Grundlage der signifikanten Unterscheidung zwischen guten und armen Angestellten ausgewählt wurden (da sie in der Tat sicherlich ausgewählt werden sollten), ist die logische Schlussfolgerung, dass hohe Punktzahlen für ein Merkmal erwünscht sind niedrige Scorers sind zu vermeiden (oder umgekehrt, je nach Merkmal).

Wenn wir, wie allgemein gesagt, davon ausgehen, dass die signifikante Beziehung zwischen den einzelnen Merkmalen des Profils und dem beruflichen Erfolg positiv und linear ist, möchten wir die Personen nach einem der folgenden Verfahren auswählen:

1. Wählen Sie die Personen aus, deren Profilpunkte tendenziell die höchsten sind, dh, ihre durchschnittliche Profilbewertung wird als Auswahlindex verwendet. Bei Verwendung dieses Verfahrens könnte eine Person einen großen ΣD ² -Wert haben und trotzdem ausgewählt werden, solange seine Profilpunkte tendenziell über den entsprechenden Profilpunkten für den Standard liegen. Dieses Verfahren ist äquivalent zur Verwendung eines Modells für die Auswahl mehrerer Regressionen, bei dem jedes Profilmerkmal ein Prädiktor ist und die Regressionsgewichtungen für jeden Prädiktor als gleich angenommen werden. Niedrige Profilbewertungen für ein Merkmal können durch hochkarätige Bewertungen für ein anderes Merkmal ausgeglichen werden.

2. Wählen Sie die Personen aus, die über Profile mit der höchsten durchschnittlichen Profilbewertung verfügen und deren Punkte alle über den entsprechenden Gegenstücken des Idealprofils liegen. Dies ist natürlich äquivalent zu einer Kombination der Auswahlmethode mit mehreren Ausschnitten und der Methode der multiplen Regression.

Die idealen Profilpunkte werden verwendet, um akzeptable Mindestwertwerte festzulegen. Alle so qualifizierten Personen werden dann über das multiple Regressionssystem bewertet. Ein solches Verfahren kann wahrscheinlich nur in Fällen funktionieren, in denen das Auswahlverhältnis ausreichend klein ist, um recht strenge Grenzwerte verwenden zu können. Wenn Sie die durchschnittliche Punktzahl für jedes Merkmal für eine Gruppe erfolgreicher Angestellter als akzeptable Mindestwerte verwenden, ist dies für neue Bewerber eine harte Hürde.

Jedes dieser letzteren Verfahren scheint eine etwas gerechtfertigtere Methode zur Verwendung von Profilen für die Auswahl zu sein als die ersten beiden Verfahren, D 'oder r. Das Konzept eines "idealen" Profils, in dem Abweichungen in jede Richtung als schlecht angesehen werden, kann aus logischen Gründen ernsthaft in Frage gestellt werden.

Mehrfach-Hürden-System:

Die meisten Auswahlsituationen beinhalten Versuche, den späteren Erfolg einer Aufgabe durch die Verwendung einer oder mehrerer Vorhersagemaßnahmen zum Zeitpunkt der Bewerbung vorherzusagen. Einige Auswahlsituationen wie Managementtraining umfassen jedoch längere Zeiträume und eine endgültige Bewertung nach einiger Zeit, jedoch mit Zwischenbewertungen oder Hürden an verschiedenen Punkten des Fortschritts.

Betrachten Sie die in Abbildung 3.13 dargestellte Situation. Hier haben wir ein Schulungsprogramm dargestellt, das von einem großen Unternehmen als Mittel zum Screening, zum Training und zur Platzierung neuer Hochschulabsolventen innerhalb des Unternehmens verwendet werden könnte. Das Unternehmen stellt anfangs eine bestimmte Anzahl von Hochschulabsolventen ein, wobei möglicherweise Hochschulnoten, Interviews, Empfehlungsschreiben und Tests verwendet werden, um Personen auszuwählen. Allen Mitarbeitern wird mitgeteilt, dass ihre Auswahl auf Probezeit erfolgt und sie während ihres Trainingsprogramms kontinuierlich bewertet werden. Wenn die Leistung während des Trainings nicht zufriedenstellend ist, werden sie möglicherweise aus dem Programm entlassen.

Es ist sicherlich im Interesse des Unternehmens, so früh wie möglich eine genaue Entscheidung über jeden Einzelnen zu treffen. Ebenso ist es im besten Interesse des Arbeitnehmers, eine möglichst frühzeitige Entscheidung zu treffen. Je besser der Erfolg als Ergebnis des Trainingsprogramms vorhergesagt werden kann, desto höher ist die Korrektheit (dh die Gültigkeit steigt), je länger wir die Leistung des Einzelnen während des Trainings beobachten können. Bis zum Ende des dritten Auswertungszeitraums sollten wir sicherlich viel genauer vorhersagen können, ob eine Straßenbahn den Kurs erfolgreich beenden wird, als wir dies zum Zeitpunkt der Einstellung tun konnten.

Die Situation ist ziemlich analog zu dem Problem der Vorhersage der Endnoten von College-Studenten. Offensichtlich kann man bis zu dem Zeitpunkt, zu dem der Student sein älteres Jahr beginnt, bessere Vorhersagen treffen als zu dem Zeitpunkt, zu dem er das College betritt. Abbildung 3.14 zeigt die Änderung der Gültigkeit, die man logischerweise in einer Situation wie der in Abbildung 3.13 dargestellten Situation erwarten könnte.

In gewissem Sinne sind die Mechanismen einer Situation, wie in Abbildung 3.13 dargestellt, identisch mit den üblicheren Mehrfach-Prädiktorsituationen: Es gibt eine Reihe von Prädiktoren für den Erfolg, aber um jeden zusätzlichen Prädiktor zu erhalten, müssen zusätzliche Zeit und Geld in diese Situation investiert werden Auszubildender. Sequenzielle Prädiktoren werden auf verschiedene Weise verwendet.

Am häufigsten wird eine der folgenden Methoden angewendet:

1. Eine Person muss in jeder Auswertungsphase eine bestimmte Mindestpunktzahl erreichen. Somit wird jede Stufe zu einer Hürde, die der Auszubildende lösen muss, wenn er im Programm bleiben soll.

2. An jedem aufeinanderfolgenden Bewertungspunkt wird eine zusammengesetzte multiple Regression berechnet, und die Erfolgswahrscheinlichkeit wird für jede im Programm verbleibende Person berechnet. Immer wenn diese Wahrscheinlichkeit unter einen beliebigen Wert fällt (z. B. 25 Prozent), wird er aus dem Programm genommen.

Problem der Einschränkung des Bereichs:

Eine Schwierigkeit, die in aufeinanderfolgenden Auswahlsituationen auftritt, ist ein Problem, das als Auswirkung der "Einschränkung des Bereichs" auf Gültigkeitsschätzungen bekannt ist. Wenn wir den Prädiktor 1 verwendet haben, um Personen anfangs auszuwählen, und wenn wir anschließend die Korrelation zwischen Prädiktor I und dem Kriterium berechnen oder die Korrelation zwischen einem anderen Prädiktor 2 und dem Kriterium berechnen, haben unsere berechneten Gültigkeitskoeffizienten _r1c oder r2clection stattgefunden . Durch die Vorauswahl haben wir den Bereich der Fähigkeiten (und damit die Prädiktorwerte) eingeschränkt, wodurch der Korrelationskoeffizient reduziert wird. Tatsächlich verhält sich unser Prädiktor 1 in einer partiellen Korrelation auf ähnliche Weise wie die Stellgröße; da es bereits einen Teil der Varianz berücksichtigt hat, wird die Korrelation r _2c reduziert. Um eine Schätzung der Gültigkeit von R _{2c zu erhalten}, kann man die Korrekturformel verwenden.