Problemer og procedurer involveret i jobvalg

Før vi går videre til en undersøgelse af de grundlæggende udvælgelsesmodeller, som er tilgængelige for psykologen, er det nødvendigt at beskæftige os med et kort kig på den generelle multiple forudsigelsesmodel. Denne model benævnes normalt som multipelregressionsmodellen. I det generelle forudsigelsesparadigm udvikler vi en regressionslinie, der passer til det sæt datapunkter, der er defineret af folks scorer på en prediktor (x-akse eller abscisse) og på kriteriet ( y-akse eller ordinat).

Figur 3.1 viser en sådan situation. Regressionslinjen i figur 3.1 er en lige linje og er placeret således, at summen af ​​de 'quared afstande fra hvert punkt til linjen (kører parallelt med y-aksen) er så lille som muligt. Vi bruger en bedst passende lige linje, da vi har antaget et lineært forhold mellem x og y.

Den grundlæggende formel for en lige linje er

y = a + bx

Hvor y = forudsagt score på kriterium

a = en konstant angiver det punkt, hvor regressionslinjen krydser y-aksen

b = linjens hældning, repræsenteret af Δy / x, eller ændringen i y observeret for en tilsvarende ændring i x

x = observeret score på predictor

Således vises den grundlæggende regressionsmodel som vist i figur 3.2.

Bemærk at i figur 3.2 krydser regressionslinjen y-aksen med en værdi på 2. Således a = 2. Bemærk også, at for hver 2-enheds stigning i x er der en tilsvarende 1-enhedsforøgelse i y. Således Δy / Δx = 1/2 = 0, 5 = b. Regressionsligningen bliver så

y = 2 + 0, 5x

I betragtning af enhver x-værdi har vi en regressionslinje, der giver os mulighed for at forudsige ay score, der svarer til den. For eksempel, hvis x var 8, så

y = 2 + 0, 5 (8)

= 2 + 4

= 6

For at opsummere: I den enkelte forudsigelsessag beregner man en bedst passende lige linje til de observerede punkter, hvor udtrykket "bedst egnet" betyder summen af ​​kvadreret afvigelse af de observerede værdier rundt om linjen vil være et minimum.

Formlerne, der er nødvendige for at beregne konstanterne a og b, der definerer denne bedst passende linje, kaldes "mindst kvadrater" formler og er som følger:

Formlen for b er et forhold mellem kovariansen mellem forudsigeren og kriteriet og den samlede variation i forudsigeren. Når kriterievariancen og forudsigelsesvariancen er ens, svarer b = r eller hældningen af ​​regressionslinjen til korrelationskoefficienten.

To forudsigere:

Det er logisk at antage, at hvis prædiktor X 1 kan bidrage til den vellykkede forudsigelse af kriteriescores, og hvis predictor X 2 også kan bidrage til den vellykkede forudsigelse af kriteriescore, bør anvendelse af begge prediktorer sammen give mulighed for bedre samlet forudsigelse end at bruge enten prædiktor individuelt. Den grad, som de to forudsigere (når de kombineres) vil forbedre forudsigeligheden afhænger imidlertid af flere faktorer, hvoraf det vigtigste er sammenhængen mellem de to forudsigere selv.

Overvej for eksempel den situation, hvor to prediktorer hver korrelerer væsentligt med et kriterium, men ikke korrelerer med hinanden som følger:

Det er klart, at en stor del af yderligere kriterievarianter kan forklares ved hjælp af predictor 2 sammen med predictor 1. Det kombinerede forhold mellem to eller flere forudsigere og et kriterium kaldes en multipel korrelation og har symbolet R. Som det var tilfældet med r 2, værdien af ​​R "repræsenterer den samlede mængde af kriterievariancen, som kan forklares ved at anvende flere forudsigere. Når forudsigere 1 og 2 ikke er korrelerede med hinanden, kan den kvadratiske multiple korrelationskoefficient vises som en additiv funktion af de individuelle kvadratiske korrelationskoefficienter, eller

R2 c . 12 = r2 1c + r2 2c (3, 1)

Når (interkorrelation mellem forudsigere) er nul, er den kvadrerede multipel validitet således summen af ​​de kvadraterede individuelle validiteter.

Når to forudsigere er korrelerede med hinanden, bliver tingene noget mere komplekse. Overvej en situation (som i det følgende diagram), hvor hver prediktor har en betydelig individuel validitet, men hvor r 12 også er ret stor.

På grund af den interkorrelation mellem disse forudsigere viser diagrammet, at mængden af ​​overlapning mellem prediktor 2 og kriteriet kan opdeles i to dele: det område, der er unikt for forudsigeren 2 og det område, der deles med prediktor 1. Således er brugen af en anden forudsigelse i denne situation giver os mulighed for at tegne sig for mere kriterievarianter end det kunne gøres ved hjælp af predictor 1 alene, men hele kriteriumvariancen forudsagt af 2 er ikke ny varians. Der kan derfor anføres en generel regel vedrørende flere forudsigere.

Alt andet lige, jo højere korrelation mellem forudsigere, desto mindre vil den overordnede forudsigelse blive forbedret ved at bruge begge forudsigere sammen. Det ekstreme tilfælde ville naturligvis være den situation, hvor forudsigelserne var perfekt korrelerede, og vi ville ikke have nogen yderligere kriterievarianter, der blev forklaret ved at tilføje prediktor 2 til vores valgbatteri.

I tilfælde af to prediktorer, som er korreleret med hinanden, kan vi udtrykke R2 som en funktion af de separate validiteter og størrelsen af ​​interkorrelationen mellem forudsigere med formlen 2

R2 c . 12 = r2 1c + r2 2c - 2r 12 r 1c r 2c / 1 - r2 12 (3.2)

Bemærk at hvis r 12 = 0, reducerer formel 3.2 til

R2 c . 12 = r2 1c + r2 2c

som er formel 3.1.

En mere eksplicit illustration af indflydelsen af ​​interpreter korrelation på størrelsen af ​​de multiple korrelationskoefficienter kan fås fra tabel 3.1, hvor eksempler på R og R2-værdier er givet for par af forudsigere med validiteter på 0, 30, 0, 50 og 0, 70 under hypotetiske betingelser på 0, 00, 0, 30 og 0, 60 interkorrelation. Figur 3.3 viser den generelle tendens ved hjælp af dataene angivet i tabel 3.1. Psykologens moral er helt tydelig - undgå at bruge forudsigere, som er tilbøjelige til at være stærkt beslægtede med hinanden.

Prediction Equations:

Forudsigelsesligningen i en to-forudsigelsessituation er en forlængelse af one-predictor-modellen. Den generelle form af ligningen er

y = a + b 1 x 1 + b 2 x 2 (3, 3)

Dette er ligningen for et fly i stedet for en lige linje. For læseren, der er bekendt med geometri, viser figur 3.4 en tredimensionel tegning af forholdet mellem variablerne x1, x2 og y svarende til ligning 3.3. Formler er tilgængelige, som gør det muligt at beregne konstanterne a, b, og som vil resultere i det bedst tilpassede regressionsplan. Når disse konstanter er blevet bestemt, kan den resulterende ligning derefter bruges til at fremstille forudsigelser af nye jobansøgninger, når de bedømmes på de separate forudsigere.

For at illustrere antage, at data er tilgængelige på 100 mænd ansat til job X i en bestemt måned, der omfatter scoringer i to prøver samt kriteriedata efter en seks måneders periode. Disse data kan analyseres for at bestemme værdierne for a, b 1 og bi, som bedst beskriver forholdet mellem variablerne.

Antag følgende ligning var slutresultatet:

y = 2 + 0, 5x 1 + 0, 9x2 (3, 4)

Denne ligning siger, at det mest sandsynlige kriterium score for enhver ny leje vil være lig med halvdelen hans score på test 1 plus ni tiendedele hans score på test 2 plus to. Således hvis en ny ansøger score 20 på test 1 og 30 på test 2, ville hans forudsagte kriterium ydeevne ved udgangen af ​​seks måneder fra lejestedet være

= 2 + 0, 5 (20) + 0, 9 (30)

= 2-t-10 + 27

= 39

Udvidelsen af ​​to-predictor modellen til en k-predictor model, hvor k er et stort antal potentielle prædiktioner af jobsucces, er ikke for vanskelig konceptuelt. Vores model udvides til formularen

y = a + b 1 x 1 + b 2 x 2 + b 3 x 3 + ... + b k x k (3, 5)

Beregningsmetoderne for at løse mindst kvadratværdierne af alle konstanterne i en sådan ligning bliver imidlertid ret komplekse, medmindre man har computerfaciliteter til rådighed. Læseren advares også for at huske, at der i den foregående diskussion har været en implicit antagelse af en lineær verden, dvs. alle forhold mellem par af variabler er lineære. Det er muligt at ændre multipelregressionsmodellen for at undgå denne antagelse, men det ligger uden for denne bogs anvendelsesområde.

Redaktører:

Et af de mere vigtige begreber i valg- og placeringsteori er begrebet moderatorvariabel. Sommetider omtalt som en populationskontrolvariabel, kan en moderatorvariabel ses som en variabel, der, når den varieres systematisk, har en effekt på størrelsen af ​​forholdet mellem to eller flere andre variabler.

Måske kan et hypotetisk eksempel (Figur 3.15) af, hvordan en moderator kan fungere, tjene til at illustrere sin indflydelse på udvælgelsesprocessen. Den øverste scatter-plot illustrerer en generel validitet på 0, 50 mellem forudsigeren og et kriterium. Imidlertid er den "population", der er repræsenteret i spredningen, en, der omfatter begge køn, dvs. både mænd og kvinder er grupperet sammen for at bestemme gyldigheden. Selv en afslappet inspektion af topscatterplottet indikerer (hvis mænd og kvinder er kodet forskelligt som det har været her), at mønsteret af score observeret for mænd adskiller sig fra det observerede for kvinder.

For at få et klarere billede af præcis, hvordan de adskiller sig, viser de to nedre scatter-plots i figur 3.15 forudsigelseskriteriumsforholdene særskilt for mænd og kvinder. Nu er forskellen slående. For mændene observerer vi et højt positivt forhold, som giver en validitet på 0, 80. For kvinderne ser vi på den anden side, at der næsten ikke er nogen sammenhæng mellem forudsigeren og kriteriet. Gyldigheden for kvinder er 0, 05.

Moderatorvariablen i ovenstående eksempel er selvfølgelig variablen af ​​køn. Forholdet mellem forudsigelse og kriterium påvirkes drastisk af, at moderatoren varierer. Spørgsmålet "hvad er min prediktors gyldighed" bliver tydeligt mere kompleks. Det, der oprindeligt syntes at være en moderat respektabel gyldighed, er nu blevet til to ret adskilte og separate gyldigheder-en meget høj og en meget lav.

Et navn på disse sidstnævnte validiteter kan være betingede validiteter, det vil sige forudsigelsens gyldighed, idet befolkningen består af kvinder eller i betragtning af at befolkningen består af mænd. En interessant karakteristik af moderatorvariabler er, at en moderator ikke behøver at have nogen direkte relation til enten prediktor eller kriteriumvariabel (det vil sige r ym og r im = 0).

Eksempler på moderatorer:

Faktiske eksempler på moderatorer er blevet fundet i en række forskningsundersøgelser. Vroom (1960) fx fundet ret markerede moderator effekter ved hjælp af grad af motivation af ledere og første linje tilsynsførende som moderering variabel. Alle mænd studerede var medarbejdere i enten Chicago eller New York-fabrikken fra et nationalt leveringsfirma, der specialiserede sig i at levere små pakker og pakker fra afdeling og andre detailbutikker til private boliger. Data fra undersøgelsen, som bedst illustrerer moderatorkonceptet, er angivet i tabel 3.4.

Alle vejledere blev opdelt i tre grupper baseret på deres vurderede grad af motivation ved hjælp af en sammensætning af flere motivationsindeks opnået i forskningen. Valider for en test af nonverbal reasoning evne blev derefter opnået for hver af fire forskellige typer af tilsyns ratings af disse mænd.

Dette blev gjort særskilt på hvert motivationsniveau. Som det fremgår af tabel 3.4, var testen tilsyneladende en ret gyldig forudsigelse for, hvor høj en mand ville blive vurderet af sin vejleder, hvis kun mænd med høj motivation blev overvejet. Hvis vi systematisk varierer motivation ved at flytte ned til grupperne, der kun har moderate eller lave motivationsniveauer, ser vi en tilsvarende systematisk ændring i forholdet mellem testen og kriteriet. Jo lavere medarbejderens motivation, jo mindre prædiktorens gyldighed er faktisk validitetene endda negative for de lave motivationsgrupper.

Andre eksempler på moderatorer findes i studier af Dunnette og Kirchner (1960) og Ghiselli og hans medarbetere (1956, 1960). Dunnette og Kirchners arbejde har primært været rettet mod at identificere jobrelaterede moderatorer, der grupperer folk i job, der ligner deres ansvar for at opnå maksimal forudsigelse inden for hver arbejdsgruppe.

Ghisellis metode kan kaldes et "variable-free" moderatorsystem. Folk grupperes simpelthen ud fra, hvor godt deres succes kan forudsiges uden direkte henvisning til en ekstern variabel. Fredericksen og Gilbert (I960) har også forsket på moderatorer for at bestemme, i hvilket omfang en moderators effekt sandsynligvis vil være konsistent over tid. De fandt ud af, at en moderator identificeret i en studie fra 1954 (Fredericksen og Melville, 1954) stadig opererede i en I960 opfølgning.

Moderne versus traditionel udvælgelsestema:

Konceptet med moderatorvariablen illustrerer måske bedst modemmodetrenden i valg og placeringsvægt. Traditionelt har udvælgelse og validering været problemer, der blev betragtet som bedst løst ved blot at etablere et kriterium, som syntes at være pålideligt og en forudsigelse, der bedst kunne forudse dette kriterium.

Vægten var næsten fuldstændig ved etablering af en høj validitet med ringe eller ingen tankegang på at udforske de mange yderligere variabler, som, når de varieres, kan føje til eller trække fra den opnåede korrelation. Det generelle motto, som alt for ofte syntes at karakterisere udvælgelsesmetoden, var sloganet "Hvis det virker, brug det!"

Uden tvivl var denne politik ansvarlig for helt forskellige udviklinger inden for industriel psykologi. For det første bidrog det sandsynligvis til, i hvilket omfang psykologer blev accepteret til industrien. Ledelsen er generelt orienteret mod positive resultater som repræsenteret af forbedret udvælgelse, og er ikke alt for bekymret over, hvordan det er opnået.

Desværre er denne orientering imidlertid også sandsynligvis ansvarlig for, at validitet i forudsigelse ikke er steget væsentligt (hvis overhovedet) i de sidste 50 år - en ret foruroligende kommentar til indsatsen fra psykologer, der er involveret i denne type arbejde.

I en anmeldelse fra 1955 af et stort antal validitetsundersøgelser angav Ghiselli (1955), at det faktisk er en usædvanlig begivenhed at opnå en validitetskoefficient på 0, 50 eller bedre. Figur 3.16 præsenterer frekvensfordeling, som Ghiselli fremlægger af validitetskoefficienter af forskellig størrelse for forskellige typer job. Bemærk, at kun i fordelingen af ​​validiteter for kontorarbejdere, der bruger intelligensprøver som forudsigere og færdighedsforanstaltninger som kriterier, er der et stort antal validiteter over 0, 50.

Den nuværende interesse for moderatorer er repræsentativ for en bredere og noget mere sofistikeret tilgang til udvælgelse. Det kan spores, når Toops (1948) appellerede til psykologer om at overveje muligheden for, at ved at stratificere mennesker (for eksempel arbejdere) systematisk i overensstemmelse med personlige variabler, bør man kunne forbedre forudsigelsen. Hans metode til klassificering, som han omtalte som addend-proceduren, er moderatorens forløber.

Dunnette's udvalgsmodel:

Måske kan den nuværende holdning til udvælgelsesmetode bedst repræsenteres af den udvalgsmodel, som Dunnette (1963) har foreslået. Denne model er vist i diagrammet, der er vist i figur 3.17, og er designet til at pege på den labyrint af kompleksiteter og indbyrdes forhold, der findes i udvælgelsessituationen. Modellen kan ses som mere end et forsøg på blot at påpege den dynamiske karakter af udvælgelsen - det er også et anbringende for psykologer om at udnytte disse dynamikker og bruge dem til den bedste fordel for at forbedre forudsigeligheden.

Man kan nok forstå det synspunkt, som modellen repræsenterer med hensyn til den nøjagtige beskrivelse, som anvendes af Dunnette (1963, s. 318):

Bemærk, at den modificerede forudsigelsesmodel tager højde for de komplekse interaktioner, som kan forekomme mellem prediktorer og forskellige prædiktorkombinationer, forskellige grupper (eller typer) af individer, forskellige adfærd på jobbet og konsekvenserne af disse adfærd i forhold til organisationens mål . Modellen tillader muligheden for, at forudsigere er forskelligt nyttige til at forudsige adfærd hos forskellige undergrupper af enkeltpersoner.

Endvidere viser det sig, at lignende arbejdsadfærd kan være forudsigelig ved ganske forskellige mønstre af interaktion mellem grupperinger af forudsigere og individer eller endog at samme præstationsniveau på prædiktorer kan føre til væsentligt forskellige mønstre af arbejdsadfærd for forskellige individer. Endelig genkender modellen den irriterende virkelighed, at den samme eller lignende arbejdsadfærd kan føre til ganske forskellige organisatoriske konsekvenser efter passering gennem situationsfilteret.

Den nuværende tendens i udvælgelse repræsenteret af moderatorens bevidsthed og af Dunnettes valgmodel bør resultere i fremskridt i både den øgede effektivitet af udvælgelsen og graden af ​​forståelse af dynamikken i præcis forudsigelse.

Suppressor Variabler:

Ingen diskussion af udvælgelsen ville være fuldstændig uden nogen omtale af suppressorvariabler. På en måde svarer en suppressorvariabel til en moderatorvariabel, idet den er defineret som "en variabel, der kan have en effekt på størrelsen af ​​et givet forudsigelseskriteriumforhold, selvom det har ringe eller ingen relation til selve kriteriumvariablen. ”

Dynamikken i en suppressorvariabel i forudsigelse kan bedst forstås ved igen at gennemgå begrebet en delvis korrelation og dens beslægtede mål, den halvpartielle korrelation. Hvis man havde to forudsigere og et kriterium, der var interkorreleret som vist her, så delvis korrelation mellem kriteriet og forudsigeren x, som er r 1c. 2, blev defineret som korrelationen mellem x 1 og C efter at virkningerne af x 2 er blevet delialleret ud af begge, så

Antag, at vi kun vil fjerne virkningerne af X2 fra kriteriet forud for beregning af korrelationen. En sådan sammenhæng kaldes en halvdel eller en del korrelation. For eksempel kan vi være interesseret i sammenhængen mellem intelligensprøveresultater (vores prædiktor x 1 ) og det færdige færdighedsniveau ved afslutningen af ​​et skriveprogram (kriteriet) x 2 kan repræsentere de indledende færdighedsniveauer for alle medarbejdere i form af deres indtastningshastighed før træning af kurset. Således vil vi fjerne effekten af ​​det indledende færdighedsniveau ved den endelige præstation, før vi beregner validiteten af ​​vores intelligens test.

Vores halvpartielle korrelation bliver nu:

Mekanismen for en suppressor-variabel er identisk med den viste ovenfor, bortset fra (1) generelt har variabel x 2 kun en lille (hvis nogen) relation til kriteriet, og (2) man er interesseret i at fjerne dens effekter fra forudsigeren x 1 .

Den generelle situation kan derfor skitseres som:

Man kan ikke med fuldstændig sikkerhed forudsige, om partielle eller halvpartielle korrelationer vil være større eller mindre end den simple korrelation der eksisterer mellem variablerne, da størrelsen af ​​både tælleren og nævneren er påvirket af partiallingsprocessen. Den eneste gang dette ikke er tilfældet er, når variablen, der deles ud, kun er relateret til en af ​​de to andre variabler, som i tilfælde af suppressoren. I en sådan situation påvirkes kun nævneren (variansen fjernes), og den resulterende halvpartielle korrelation er større end den enkle, ikke-partielle korrelation mellem variabler.

Cross-Validering:

Et kendetegn ved de fleste multiple forudsigelsesudvælgelsessystemer er, at man i deres udvikling ofte har tendens til at udnytte den chancevariation, der findes i stikprøven af ​​medarbejdere, der anvendes til validering. Dette gælder især med multiple regressionsmodellen, men gælder også for den multiple cut-off procedure. Fordi multipelregressionsmodellen har mindst kvadratiske egenskaber, dvs. vi minimerer med vilje fejlene ved at forudsige vores specifikke prøve, er det sandsynligt, at hvis vi nu anvender vores ligning på en ny prøve (fra samme befolkning), finder vi ikke vores forudsigelse så effektiv som før.

Således er vores beregne R 2 en overvurdering af, hvad vor fremtidige validitet af vores forudsigelsessystem er egnet til at være, da brug af vores ligning med henblik på forudsigelse automatisk indebærer at anvende den på nye prøver af arbejdere. Dette forventede fald i R2 er kendt i statistik som krympeproblemet og kan bedst illustreres ved at se Figur 3.18.

I figur 3.18 har vi to prøver af enkeltpersoner. Hver repræsenterer en tilfældig prøve trukket fra eller tilhørende samme population. For eksempel kan prøve A repræsentere alle jobsøgere for job X i de ulige nummererede måneder, og prøve B kan repræsentere alle jobsøgere i de lige antal måneder for et bestemt år.

Det ville være meget usædvanligt, selv med meget mange ansøgere i hver prøve, for de to prøver at være identiske med hensyn til deres scatter-plots. Da deres scatter-plots kan forventes at variere på grund af prøveudtagningsfejl, kan korrelationen mellem forudsigeren og kriteriet (validitet) også forventes at variere noget, ligesom regressionsligningen kan beregnes på hver prøve.

Antag at vi tog regressionsligningen beregnet på prøve A og brugte den til at forudsige score fra prøve B. Vi kunne naturligvis ikke gøre så godt et job ved at minimere ved hjælp af A-linjen med prøve B, da vi kunne bruge B-regressionslinjen - trods alt, B-linjen pr. definition minimerer Σd 2 for den prøve. Enhver anden linje vil derfor have en større fejl i forbindelse med den. Således skal R2 reduceres tilsvarende.

Der findes formler til estimering af den mængde krympning, man kan forvente, når man bruger denne ligning på en ny prøve. En sådan formel er

R2 = 1 - [(1 - R2) n-1 / n-k-1]

Hvor

R 2 = krypteret multipel korrelationskvadrat

R2 = multipel korrelationskvadrat opnået fra valideringsprøve

n = antal personer i valideringsprøve

k = antal forudsigere i regressionsligning

Det er dog bedst at kryds-validere ligningen ved at opnå en anden prøve og prøve det for at se, hvor godt det forudsiger. Hvis der ser ud til at være et meget stort fald, kan man måske ændre ligningen (måske ved at kombinere begge prøver i en gruppe). Stor krympning findes oftest, når prøvestørrelserne er små og / eller antallet af forudsigere er store i forhold til prøvestørrelsen.

Mosier (1951) har diskuteret en række typer af krydsvalidering, som kan udføres afhængigt af undersøgelsens design, og om man er bekymret for generalisering kun til en ny prøve eller hvis bredere generaliseringer samordnet formforudsigelsesligning er ønsket (for eksempel, til forskellige køn, forskellige kriterier osv.). Den førstnævnte kaldes et tilfælde af validitetsgeneralisering; sidstnævnte er et tilfælde af validitetsudvidelse. Selvfølgelig forventes større krympning i sidstnævnte tilfælde, og formel 3.9 på% gælder for tilfælde af validitetsgeneralisering.