İstihdam Kararlarını Almak için Tahmin Sistemleri

Tipik tahmin problemi, seçim, yerleştirme veya her ikisi de olabilir, bir dizi tahminci kullanmayı içerir. Bu öngörücüler, istihdam konusunda karar vermede rehber olarak mümkün olan en iyi şekilde kullanılır. “Bu işe alınmalı mı?” Veya “bu eğitim programına gönderilmeli mi?” Gibi kararlar var. Psikoloğun karar verme sürecine yaklaşımı bağlamında benimseyebileceği birkaç strateji var. Kabul edilen özel tahmin sistemine bağlı olarak, istihdam kararları oldukça farklı olabilir.

Her sistemin kendine özgü avantaj ve dezavantajları olsa da, her biri iş başarısı ile ilgili olduğuna inanılan bir grup özellik veya niteliğe (tahminciler) dayanarak insanlar hakkında kararlar almak için bir yöntem sunmaktadır.

Ana sistemler:

(1) Çoklu regresyon sistemi,

(2) Çoklu kesme sistemi,

(3) Profil eşleştirme sistemi ve

(4) Çoklu engel sistemi.

Her sistem aşağıdaki bölümlerde daha ayrıntılı olarak incelenecektir.

Çoklu Regresyon Sistemi:

Adından da anlaşılacağı gibi, bu yerleştirme sistemi bireyler hakkında karar vermek için çoklu regresyon modelini kullanır. Çoklu regresyon modeli, y = b ₁ x ₁ + b ₂ x ₂ biçimini alır (varsayım a = 0) (3.6)

Seçimde böyle bir modelin kullanılması, (1) x ₁ ve x ₂ özelliklerinin kriter performansıyla doğrusal olarak ilişkili olduğunu ve (2) özelliklerden birinin “lot” una sahip olduğunu (“küçük” İkinci özelliğin ”.

Bir durum göz önüne alındığında, örneğin, bi = 2 ve b2 = 4 ve a = 0 olduğunda, y = 2x1 + 4x2 (3.7) formülü

iş başarısını tahmin etmek için kullanılacaktı. 50 kriter puanının çalışanlar tarafından tatmin edici performans olarak kabul edilebileceğini ve tatmin edici olmayan performansla sonuçlanan daha az şeyin olduğunu varsayalım. Tablo 3.2'de dört teorik iş başvurusunda bulunan iki tahmincinin bazı test puanları gösterilmektedir. Her başvuru sahibi için öngörülen kriter puanı da denklem 3.7 kullanılarak hesaplandı. Her dört başvuru sahibinin de, test puanı şekilleri belirgin bir şekilde farklılık gösterse de, tamamen aynı öngörülen kriter performansına sahip olduğuna dikkat edin. A kişisinden D kişisine doğru ilerlerken, test 2'deki puanlarının sistematik olarak azaldığını görüyoruz.

Bununla birlikte, bu düşüş test 1 performansındaki ilgili bir artış ile telafi edilir. Aslında, sıkı bir inceleme, test 2'deki her bir noktanın kaybını telafi etmek için test 1'de iki puan kazanmanın gerekli olduğunu gösterecektir. Bu, test 2'ye verilen nispi ağırlık verilen değerin iki katı olduğundan, şaşırtıcı olmamalıdır. regresyon modelimizde test 1 (yani, b ₁ = 2, b ₂ = 4).

Şekil 3.5, Tablo 3.2'deki verilerin yarattığı seçim sürecinin dinamiklerini daha da net bir şekilde göstermektedir. Şekil 3.5'in dağılım grafiğinde gösterilen puan zarfları, iki performans göstergesinin (x ₁ ve x ₂₎ pozitif olarak ilişkili olduğu bir durum sunmaktadır. Eğer korelasyon r ₁₂ sıfırsa, dağılım grafiği elbette bir daire olacaktır.

Bununla birlikte, dağılım grafiğinin şekli, çoklu regresyon sisteminde bulunan ticaret kavramı için kritik değildir. Öngörülen puanları 50 veya daha iyi olan herhangi bir kişinin “tatmin edici” olarak kabul edileceğini söylediğimiz için, Test 3.5 ve yapılacak olan 2 test puanının olası tüm kombinasyonlarını gösteren Şekil 3.5'deki “50 puan çizgisini” çizebiliriz. 3.7 denklemini kullanarak tam puan 50 puan Şekilde belirtildiği gibi, dört başvuranın tamamı bu çizgide uzanmaktadır.

Şekil 3.5'in ilginç bir yönü, hattın, iş başvurusunda bulunanların nüfusunu iki gruba veya bölgeye ayırmasıdır. Çizginin sağına ve çizgisine kadar olan tüm adaylar, 50'nin üzerinde olacak kriter puanları (3.7 denklemini kullanarak) kullanacaklardır. Çizginin soluna ve altındaki tüm adaylar, 50'den az olan kriter puanlarına sahip olacaklardır. İstihdam için kabul edilmeleri, çünkü performanslarının tatmin edici olacağı tahmin edilmektedir.

Son başvuru sahipleri, tahmin edilebilecek performanstan daha az tatmin edici olan bu seçim sistemi ile reddedilecektir. Şekil 3.6, gözlenen kriter puanlarının yanı sıra tüm bireylerin yordayıcı puanlarını gösteren, Şekil 3.5'i üç boyuta genişletmektedir.

Çalışanları, denklem 3.7 tarafından verilen çoklu regresyon modelini kullanarak seçilecek olanlara ayıran ve Şekil 3'teki uçağın, reddedilenlerin regresyon düzlemi olmadığını not etmek önemlidir. Seçim düzlemi olarak daha doğru adlandırılır. Okuyucu, iki öngörmeli çoklu regresyon sisteminde regresyon düzleminin bir gösterimi için Şekil 3.4'e geri gönderilir.

Çoklu Regresyon Sisteminin Varsayımları, Avantajları ve Dezavantajları:

Çoklu regresyon tahmin sistemi uygun bir şekilde kullanıldığında güçlü bir seçim prosedürüdür. Tüm ilişkilerin doğrusal olduğu temel varsayımı sağlanırsa, aşılması zor olan matematiksel bir zerafete sahiptir. Örneğin, modelin tahminlerdeki hataları en aza indirdiğini bilir. Bu sistemin bir başka avantajı, sonraki performansın en etkin tahminini elde etmek için tahmin edicilerin birleştirilmesidir.

Çoklu regresyon modeliyle ilgili başlıca tartışma noktalarından biri, kullanımında dolaylı olan takas ilkesini içerir. Bir değişkenin X biriminin başka bir değişkendeki X birimleri ile değiştirilip değiştirilemeyeceği her zaman tartışılmaz bir sorudur. Elbette yöntem oldukça esnek olabilir. Aynı veya farklı tahmincileri kullanarak bir dizi iş için denklemler ayarlamak mümkündür. Sonuç olarak, her bir iş için her kişi için öngörülen puanlar hesaplanabilir.

Daha sonra insanlar aşağıdaki prosedürlerden birini veya birkaçını kullanarak işe alınabilir ve belirli bir işe yerleştirilebilir:

1. Her kişiyi öngörülen puanın en yüksek olduğu işe yerleştirin. Bu, kuruluşun, her bir kişinin en yetenekli olduğu yere yerleştirilmesi durumunda, o yeteneğin mutlak miktarından bağımsız olarak, en fazla kar edeceğini varsayar. Bu işte açık pozisyon yoksa, ikinci en iyi kriter puanını aldığı başka bir işe yerleştirilir.

Böyle bir prosedürle ilgili bir sorun, işlerin kendilerinin başarı için farklı asgari şartlara sahip olmalarının mümkün olmasıdır. Bu nedenle, en iyi puanı (A işi için öngörülen performans) A işi için öngörülen başarı için yeterli olmayabilir, ikinci en iyi puanı ise (B işi için öngörülen performans) başarısını tahmin etmek için gereken değerin oldukça üstünde olabilir. iş B.

2. Her kişiyi, öngörülen puanının tatmin edici olması için gereken minimum puanın en üstünde olduğu o işe yerleştirin. Bu yöntem, her bir kişinin en iyi performansı gösterdiği işe ne ölçüde yerleştirildiği yerine, sistemin toplam verimliliğiyle daha fazla ilgilidir. Performansını düşük olacağı bir işe sokmaktan kaçınır.

Çoklu Kesme Sistemleri:

Çoklu regresyon sisteminin tartışılmasında kullanılan modelin yordayıcılar ve ölçüt arasında doğrusal ilişkiler olduğu açıkça görülmüştür. Bu tür bir sistem çoğu zaman, çoğu özellik için aralığın çoğu üzerinde öngörücü ve ölçüt arasında doğrusal bir ilişki olsa da, başarılı olmak için gerekli olan bu özelliğin minimum kabul edilebilir bir miktarının olabileceği esasına dayanmaktadır. işçi. İş performansı ile test arasındaki bu tür bir ilişki, Şekil 3.7'de gösterilmiştir.

Şekil 3.7'deki öngörücü ölçüt işlevi, aşağıdakileri varsaydığında ne olacağını gösterir:

(1) İş başarısı için gerekli asgari düzeyde tahmin edici yetenek (özellik X) vardır ve

(2) Bu asgari değerin altındaki X özelliğindeki herhangi bir eksiklik veya eksiklik, iş başarısını öngördüğü gösterilen başka bir yeteneğin büyük bir kısmına sahip olmakla telafi edilemez.

Böyle bir durumun bir örneği hem iyi görüş hem de el becerisi gerektiren bir montaj işi olabilir. Genel olarak konuşursak, bir çalışanın vizyonu ne kadar iyi olursa, el becerisi de o kadar iyi olursa, çalışanın işte olma eğilimi o kadar başarılı olur. Ancak, vizyon boyutu boyunca hiçbir maharetin yardım edemeyeceği bir nokta olabilir.

Bu minimum kabul edilebilir değer problemini hesaba katan seçim ve yerleştirme prosedürüne çoklu kesme yöntemi denir, bu da her tahminde için bir kesme noktasının ayrı ayrı oluşturulduğu anlamına gelir. Bir kişi, belirli bir iş için tüm tahmincilerin sınırının üstünde bir puan alamazsa, o işe yerleştirilmez.

Dolayısıyla, bu yöntemde ek özelliklere sahip bir kavram yoktur. Herhangi bir tahmincide minimumun altına düşmek, bireyi diskalifiye eder. Şekil 3.8 ve 3.9, Şekil 3.5 ve 3.6'daki çoklu regresyon sistemini göstermek için kullanılana benzer veriler için çoklu kesme sistemini kullanan kabul ve reddetme bölgelerini göstermektedir.

Belki de iki yöntemi karşılaştırmanın en iyi yolu, iş için kimin seçileceğine göre farklılık gösterdiklerini belirtmektir. Şekil 3.10, her iki seçim yönteminde de kesme çizgilerini göstermektedir. Öncelikle, kullanılan yöntemden bağımsız olarak, 7. alandaki kişilerin daima kabul edileceğini ve 1., 3. ve 5. alanlardaki kişilerin her zaman reddedileceğini unutmayın. Seçim prosedürünün bir işlevi olarak farklı muamele görecek insanlar, 2, 4 ve 6 numaralı alanlardakilerdir.

Çoklu regresyon seçim sistemi kullanılarak, 2. ve 6. bölgelerdeki tüm insanlar kabul edilirken, 4. alandakiler reddedilecektir. Tersine çevirme işlemi çoklu kesme prosedürü kullanılarak gerçekleşir; 4. alandaki insanlar kabul edilecek ve 2. ve 6. alanlardakiler reddedilecektir. Böylece soru, bu iki grup grubun göreceli arzu edilebilirliklerinden birine çözülür.

Çözüm matematiksel olarak karmaşıktır ve Lord (1963) tarafından öncelikle iki kestiricinin güvenilirliğinin bir işlevi olduğu gösterilmiştir. Aslında, çoğu koşul altında muhtemelen hiçbir prosedür, en yüksek ortalama kriter puanına sahip çalışan grubunu seçmede tam olarak en iyi çözümü vermez. Bunun yerine, optimal seçim stratejisi iki yöntem arasında bir çeşit uzlaşma şekli olarak görünmektedir (Şekil 3.10'daki noktalı çizgiye bakınız).

Kesim Puanlarının Belirlenmesi:

Bir çoklu kesme puanı tekniğini benimserse, her bir tahminci için ayrı minimum kabul edilebilir puanlara karar vermek gerekir. Bu, kolay bir iş değildir, çünkü tüm insanların diskalifiye edileceği bir puan oluşturmanın kesin bir “doğru” yolu yoktur. Seçim oranına dahil olan ilişkilerin ve çalışanların yüzdesinin tatmin edici olduğu düşünüldüğünde (kesme puanı), iki öngörücü söz konusu olduğunda sorunun ne kadar karmaşık olduğunu görmeye başlayacaktır.

Genel olarak, kesme puanı değerlerini ayarlama işlemi, her bir tahminci için farklı değerlerin denendiği deneme yanılmalarından biri haline gelir. Her kesme puanı çifti için, araştırmacı seçilenlerin ortalama veya bileşik kriter puanının diğer kesme puanı kombinasyonlarına göre ne kadar yüksek olduğunu belirlemelidir. Ayrıca toplam başvuru sayısına göre iş bulma sayısını da dikkate almalıdır (seçim oranı ölçüsü).

Çoklu Kesim Puanlarının Varsayımları, Avantajları ve Dezavantajları:

Yukarıda belirtilen noktaları özetlemek için, puan kesme yöntemi gerçekten yordayıcılar ve ölçüt arasında doğrusal olmayan bir ilişki olduğunu varsayar. İkincisi, en azından aralığın belirli bölümlerinde test puanlarının ikame edilmesi kavramını reddeder. Net bir avantaj, ayrıntılı bir hesaplama prosedürleri veya formülleri gerektirmediği için genellikle personelin uygulaması için kolay bir yöntem olmasıdır.

Ancak, belirtildiği gibi, en tatmin edici şekilde çalışacak olan kesme puanlarını almak için belirli miktarda deneme ve yanılma gereklidir. En kritik dezavantajlarından biri, her bireye, bir işte başka bir işte başarısına göre ne kadar başarılı olacağını tahmin etmek için kullanılabilecek tek bir puan vermemesidir. Böylece, kesme puanları ile gerçek işe yerleştirme aşırı derecede hantal hale gelebilir.

Profil Eşleştirme Sistemi:

Çalışan seçimine ve yerleştirmesine üçüncü bir yaklaşım, profil eşleştirme sistemidir. Bu yöntemin temel olarak profillerin eşleşme şekli bakımından farklılık gösteren çok sayıda sürümü vardır. Ancak, prosedürün kalan yönleri sürümden sürüme oldukça değişmez. Yöntemin kendisi oldukça basittir. Eğer bir işte başarı için önemli olarak kabul edilen k değişkenleri (kestiricileri) varsa, o kişi k görevindeki her “başarılı” çalışanı bu k kestiricilerinde ölçer. Başarılı bir çalışanın “tipik” bir profilini elde etmek için puanların ortalaması alınır. Varsayımsal tipik bir profil Şekil 3.11'de gösterilmektedir.

Bu örnekte, A işindeki tipik başarılı çalışanı tanımlamak için on öngörücü kullanılmıştır. Verilerin gösterdiği gibi, A işindeki başarılı bir çalışan, değişkenler 2, 3, 5, 6'da yüksek puanlara (diğer çalışanlara göre) sahip olma eğiliminde olacaktır., ve 8. Değişkenleri 1, 4, 7, 9 ve 10 üzerindeki puanları, genel olarak çalışanların ortalama performansından çok farklı değildir. Bu tür bir ideal profil elde edildikten sonra, tüm yeni başvuru sahiplerinin bireysel profillerinin karşılaştırıldığı bir standart olarak kullanılır.

Bu noktada profil yönteminde iki önemli soru ortaya çıkmaktadır. Birincisi, hangi tahmincilerin konuyla ilgili olduğuna, hangisinin profile dahil edilmesi gerektiğine nasıl karar verilir? İkincisi, profil öğelerinin başarılı bir şekilde seçilmesi durumunda, herhangi birinin profilinin ideal profille hangi dereceye kadar uyduğunu yeterince değerlendiririz? Bu iki sorunun çözülme şekli, herhangi bir profil eşleştirme sisteminin nihai sağlamlığını ve geçerliliğini büyük ölçüde etkileyebilir.

Profil Elemanlarının Seçimi:

Her profil elemanı, daha önce tartışılan yöntemlerde öngörücüler olduğu gibi iş başarısının yordayıcısı olarak kullanılır. Bireyleri işe seçmenin ve / veya yerleştirmenin bir aracı olarak kullanmadan önce her profil öğesinin geçerliliğinin belirlenmesi kesinlikle şarttır. Örneğin, fakir veya tatmin edici olmayan işçilerin, Şekil 3.11'de gösterilene benzeyen bir bileşik profile sahip olmadıklarına dair hangi güvencemiz var? Tatmin edici olmayan kompozitin nasıl göründüğünü ampirik olarak bulmaya devam etmiyorsak, aslında bu insanların bir grubunu aynı özellikler ve hesaplama grubu ortalamaları üzerinde ölçerek aslında hiçbir şeyimiz yok.

Yalnızca tatmin edici ve tatmin edici olmayan gruplar arasındaki ortalama puanlarda anlamlı bir farklılık gösteren belirleyicilerin ideal profile dahil edilmesi gerektiği açık olmalıdır. “İyi” ve “fakir” çalışanlar arasında açıkça ayırım yapılmayan herhangi bir özellik, yalnızca seçim sürecine karışarak hata ve karışıklık getirecektir. Her bir özelliğin doğrulanması, profil öğesi seçiminde gerekli (ama hepsi çok göz ardı edilen bir adım) olduğu için, neden tüm profil tahminlerini çoklu regresyon denkleminde (ya da belki de çoklu bir kesme yönteminde kullanmıyoruz) sormak meşru bir soru olabilir. ). Aslında, bunun cevabı, aşağıdaki bölümde görüldüğü gibi, profilleri karşılaştırmak için hangi yöntemin kullanıldığına bağlıdır.

Profilleri Karşılaştırma Yöntemleri:

Her bireyin profillerini ideal profille karşılaştırırken benimsenebilecek iki farklı prosedür vardır. Bir yöntem, kompozitle en çok eşleşen profillere sahip olanları seçer. Bu da, eşleşme teriminin nasıl tanımlandığına bağlı olarak, çeşitli prosedürlerle sonuçlanır.

İyi bir eşleşme tanımlamanın bir yolu, bir profilin puanlarının diğer profilin puanlarına ne kadar yakın olduğunu, eşleşme o kadar iyi olduğunu söylemektir. Bu yöntem, daha sonra, bir benzerlik ölçüsü elde etmek için her özellikteki iki puan arasındaki farkları kullanır. En genel prosedür bu farkları hesaplar, kareler ve benzerlik ölçüsü elde etmek için bunları ekler. Böylece, k özelliklerine sahip bir profilimiz varsa ve daha fazla tanımladıysak

X _ij - özellik j'deki i _insanının puanı

X _8j = _{Özellik j'deki} standart profilin puanı

sonra D2 = (X _ij - X _aj ) 2

ve 2D ², standart profille eşleştiğim kişinin profilinin derecesini temsil eder. ΣD ² ne kadar büyük olursa, eşleşme o kadar zayıf olur. D ² yönteminin, kompozitin üzerine veya altına düşen insanın puanlarının, yani bu eşleştirme prosedürü için yönünün önemli olup olmadığıyla hiç ilgilenmediğini fark etmek önemlidir. Önemli olan tek şey profil noktalarının yakınlığı.

Profil benzerliğini tanımlamada ikinci bir yöntem eski dostumuzla korelasyon katsayısı olarak ifade edilir. Bireyin puanları arasındaki yüksek korelasyon profildir ve ideal profilin puanları, iki profilin benzer kalıplara sahip olduğunu gösterir, yani birey i, ideal profilin de yüksek puanlara sahip olduğu özellikler üzerinde yüksek puan alır ve bu puanları düşük puanlar alır. ideal profilin de düşük puan aldığı özellikler. Şekil 3.12, benzerliği değerlendirmek için farklı yöntemlerin kullanımının iş için farklı kişilerin seçilmesine neden olabileceğini gösteren profil örnekleri göstermektedir. Şekil 3.12 'nin incelenmesi, kişinin B puanlarının genel şeklinin, ideal veya standart profilinkini A kişisinin puanlarından çok daha fazla kopyaladığını ortaya koymaktadır.

Bununla birlikte, kişi tarafından elde edilen gerçek puanlar, standart profil puanlarına göre bireysel B profilindeki puanlardan daha yakın görünmektedir. Bu nedenle, bireysel A'nın daha düşük (daha çok istenen) 2D ² puanına sahip olması gerektiğini düşünürken, bireysel B'nin standart ile daha yüksek korelasyona sahip olması (daha çok arzulanan) olması gerektiğini varsayıyoruz.

Tablo 3.3'teki verilerden de anlaşılacağı gibi, bu gerçekten böyledir. Şekil 3.12'de verilen değerler ΣD ^2'yi hesaplamak için kullanıldığında, kişi A'nın puanı (ΣD ² _as ) 500 iken, kişi B'nin puanı (ΣD ² _bs ), 2000 değerine sahip, çok daha büyüktür. profiller arasındaki korelasyonlar hesaplanır, profil A ile standart profil arasındaki korelasyon r = - 1.00 _olarak hesaplanırken, profil B ve standart, rbs arasındaki korelasyonun 1.00 olduğu anlaşılır - tam anlaşma. Dolayısıyla, eğer D2 yöntemi bir seçim kriteri olarak kullanılmışsa, A kişisini seçeriz; Profiller arasındaki korelasyonu bir yöntem olarak kullanmak isteseydik, B kişisini seçerdik. ”

Bir Prosedür Seçmek:

Hangi prosedürün en iyisi olduğu, yalnızca belirli bir ortamda ampirik yollarla cevaplanabilen bir sorudur. Ancak her durumda, ne D2 ne de korelasyon metodu en iyi teknik değildir. Profildeki özellikler, iyi ve fakir çalışanlar arasında (kesinlikle seçilmeleri gerektiği gibi) belirgin bir şekilde ayrımcılığa dayanarak seçildiyse, o zaman mantıksal çıkarım, bir özellikteki yüksek puanların istenmesi gerektiği ve Düşük puanlayıcılardan kaçınılmalıdır (veya özelliğe bağlı olarak tersi).

Genelde olduğu gibi, profildeki her özellik ile iş başarısı arasındaki anlamlı ilişkinin pozitif ve doğrusal olduğunu varsayarsak, insanları aşağıdaki prosedürlerden birine göre seçmek isteriz:

1. Profil puanları en yüksek olan kişileri seçin, yani ortalama profil puanları seçim endeksi olarak kullanılır. Bu prosedürü kullanarak bir kişi büyük ΣD ² puanına sahip olabilir ve profil noktaları standart için karşılık gelen profil noktalarının üstünde olma eğiliminde olduğu sürece hala seçilebilir. Bu prosedür, her bir profil özelliğinin bir yordayıcı olduğu ve her bir yordayıcı için regresyon ağırlığının eşit olduğu varsayılan çoklu regresyon seçim modelini kullanmaya eşdeğerdir. Bir özellikteki düşük profilli puanlar, başka bir özellikteki yüksek profilli puanlarla telafi edilebilir.

2. En yüksek ortalama profil puanına sahip profilleri olan ve puanları karşılık gelen ideal profil meslektaşlarının üstünde olan kişileri seçin. Bu, elbette, çoklu kesme seçim yönteminin ve çoklu regresyon yönteminin bir kombinasyonuna eşdeğerdir.

İdeal profil noktaları, minimum kabul edilebilir puan değerleri oluşturmak için kullanılır. Bu şekilde nitelendirilen tüm insanlar daha sonra çoklu regresyon sistemi ile değerlendirilir. Böyle bir prosedür muhtemelen seçim oranının oldukça katı kesme değerleri kullanmasını sağlamak için yeterince küçük olduğu durumlarda işe yarayabilir. Kesinlikle her özellik için ortalama puanın başarılı çalışanlar grubu için en az kabul edilebilir değerler olarak kullanılması, yeni başvuru sahipleri için katı bir engel oluşturuyor.

Bu son prosedürlerden herhangi biri, seçim için profilleri kullanmak için, ilk iki prosedürden (D 'veya r) biraz daha haklı bir yol gibi görünüyor. Herhangi bir yöndeki sapmaların kötü olduğu düşünülen “ideal” bir profil kavramı, De'yi mantıksal olarak ciddi biçimde sorgulayabilir.

Çoklu Engel Sistemi:

Seçme durumlarının çoğu, iş başvurusu sırasında elde edilen bir veya daha fazla öngörücü önlemin kullanılması yoluyla bazı görevlerde daha sonra başarıyı tahmin etme girişimlerini içerir. Bununla birlikte, yönetim eğitimi gibi bazı seçim durumları, oldukça uzun süreler ve uzunca bir süre sonra nihai değerlendirme olmakla birlikte, çeşitli ilerlemelerdeki ara değerlendirmeler veya engeller içermektedir.

Şekil 3.13'te gösterilen durumu göz önünde bulundurun. Burada büyük bir şirketin tarama, eğitim ve yeni üniversite mezunlarını kurum içine yerleştirme aracı olarak kullanabilecekleri bir eğitim programı çizdik. Şirket başlangıçta, belki de üniversite notlarını, röportajları, tavsiye mektuplarını ve insanları seçmenin bir aracı olarak testleri kullanarak, çok sayıda üniversite mezunu işe alır. Tüm işe alımlara seçimlerinin deneme niteliğinde olduğu ve eğitim programları boyunca sürekli olarak değerlendirileceği söylenir. Eğitim sırasındaki performans yeterli değilse, programdan çıkarılabilir.

Her birey hakkında mümkün olduğunca erken bir zamanda doğru karar vermek kesinlikle firmanın yararınadır. Benzer şekilde, kararın mümkün olduğunca erken verilmesi çalışanın çıkarına eşit olarak yarar sağlar. Bununla birlikte, eğitim programının bir sonucu olarak başarıyı tahmin etmenin mümkün olduğu derecenin doğruluğu artar (yani geçerlilik artar), bireyin eğitim sırasındaki performansını ne kadar uzun süre gözlemleyebilirsek o kadar artar. Üçüncü değerlendirme döneminin sonunda, bir tramvay parkurunun işe alındığı saatte yapabileceğimizden daha başarılı bir şekilde bitirip bitmeyeceğini daha doğru bir şekilde tahmin edebilmeliyiz.

Bu durum, üniversite öğrencilerinin final notlarını öngörme sorununa oldukça benzer. Açıkçası, öğrenci son sınıfına başladığı zaman koleje girdiği zamandan daha iyi tahminler yapabilir. Şekil 3.14, Şekil 3.13'te gösterilen gibi bir durumda birinin mantıksal olarak gerçekleşmesini bekleyebileceği geçerlilikteki değişimi göstermektedir.

Bir anlamda, Şekil 3.13'te gösterilen bir durumun mekaniği daha olağan çok tahmin edici durumlarla aynıdır: Bir dizi başarı öngörücü mevcuttur, ancak her bir ek öngörücüyü elde etmek için ek zamana ve paranın buna yatırılması gerekir. stajyer. Sıralı öngörücüler birkaç şekilde kullanılır.

En sık, aşağıdaki yöntemlerden biri kullanılır:

1. Her değerlendirme aşamasında bir kişi istenen minimum puanın üzerinde puan almalıdır. Böylece, her aşamada programda tutulması gerekiyorsa, stajyerin temizlemesi gereken bir engel haline gelir.

2. Her ardışık değerlendirme noktasında bileşik çoklu regresyon hesaplanır ve programda kalan her kişi için başarı olasılığı hesaplanır. Bu olasılık bir keyfi değerin altına düştüğünde (örneğin, yüzde 25), programdan çıkarılır.

Menzil kısıtlaması sorunu:

Sıralı seçim durumlarında ortaya çıkan bir zorluk, “aralık sınırlamasının” geçerlilik tahminleri üzerindeki etkisi olarak bilinen bir problemdir. İlk önce insanları seçmek için yordayıcı 1'i kullandıysak ve daha sonra yordayıcı I ile ölçüt arasındaki korelasyonu hesaplarsak ya da daha sonra diğer yordayıcı 2 ile ölçüt arasındaki korelasyonu hesaplarsak, hesaplanan geçerlilik katsayılarımız _r1c veya R2c ifadesi gerçekleşir. . Önceden seçerek, korelasyon katsayısını azaltacak olan yetenek aralığını (ve dolayısıyla yordayıcı puanlarını) sınırladık. Aslında, yordayıcımız 1, kısmi korelasyondaki kontrol değişkenine benzer bir şekilde hareket eder; Zaten varyansın bir bölümünü oluşturduğu için, R2c korelasyonu azaltılacaktır. _R2c geçerliliğinin gerçekten ne olduğu hakkında bir tahminde bulunmak için düzeltme formülü kullanılabilir.