Sprendimų ir teorijos požiūris į pramonės šakų prognozavimą ir kriterijų

Pasirinkimo problema gali būti vertinama šiek tiek kitaip nei naudojama. Šis antrasis požiūris pasirodo įdomus, nes nustatysime, kad prognozės galiojimas gali būti ne toks svarbus atrankos kintamasis, kaip ir tradicinis požiūris. Mūsų nauja perspektyva yra pagrįsta sprendimų teorijos modeliu. Mes turėtume pradėti, pakartodami tikslą tipiškoje atrankos situacijoje. Daugelyje atrankos situacijų norime nustatyti pjūvio rezultatą mūsų prognozės davėjui, kuris leis sumažinti mūsų sprendimų klaidas.

Netiesioginė šio tipo situacija yra prielaida, kad atrankos koeficientas gali būti manipuliuojamas noru; tai yra, ji nėra „fiksuota“ tam tikra verte. Taip pat netiesiogiai suprantama, kad mūsų kriterijų kintamasis gali būti prasmingai suskirstytas į dvi ar daugiau atskirų grupių, pvz., „Sėkmingas“ ir „nesėkmingas“. Mūsų tikslas yra manipuliuoti pjovimo rezultatu (kuris yra toks pat, kaip manipuliuojant atrankos koeficientu), kad sumažinti klaidų, padarytų sprendžiant, ar asmuo turėtų būti pasamdytas ar atmetamas, skaičių.

Anksčiau nurodėme, kad atrankos paradigmoje, klaidinguose teigiamuose ir klaidinguose negatyvuose buvo dvi skirtingos sprendimų klaidų rūšys:

Tada mūsų tikslas yra rasti ribinį tašką, kuris sukels mažiausią bendrą klaidų skaičių. Patogumo sumetimais pradėsime darant prielaidą, kad abi klaidų rūšys laikomos vienodai brangiomis. Tai reiškia, kad mes neturime pagrindo daryti klaidingą teigiamą klaidą per klaidingą neigiamą klaidą arba atvirkščiai. Priimant šią prielaidą galima tiesiogiai spręsti šią problemą, kiek įmanoma sumažinti abiejų rūšių klaidų skaičių, o ne pasverti dviejų tipų klaidas pagal atitinkamas „išlaidas“.

Išjungimo taško vieta:

Norint iliustruoti, kaip galima pasiekti optimalios vietos mūsų pjovimo rezultatams rasti, apsvarstykite atvejį, kai mes turime tam tikrą galiojimo laiką (pvz., Apie 0, 70) ir tam tikrą procentą esamų darbuotojų, kurie laikomi sėkmingais (dažnai vadinami šiame kontekste kaip „bazinė norma“).

Tai galima diagramuoti taip:

Kitas žingsnis yra pateikti tuos pačius duomenis šiek tiek kitokia forma. Pirma, žinome, kad mūsų bendra darbuotojų grupė laikoma normaliu pasiskirstymu pagal jų prognozes balus. Antra, taip pat svarbu, kad abu pogrupiai (sėkmingi ir nesėkmingi) laikomi normaliais pasiskirstymais. Pažvelgus į aukščiau pateiktą pavyzdį, lengva daryti išvadą, kad sėkmingos grupės vidutinis prognozavimo rezultatas bus didesnis nei nesėkmingai grupei.

Galime tai apibūdinti kaip:

Abu paskirstymai bus vienodo dydžio, nes jie pagrįsti tuo pačiu žmonių skaičiumi (ty 50 proc. Kiekvienoje grupėje). Yra skirtumas tarp abiejų pogrupių priemonių skirtumo, kaip matyti šiuo būdu, ir koreliacijos koeficiento dydį. Jei grupės priemonės reikšmingai skiriasi viena nuo kitos (pvz., Reikšmingumo lygiu 0, 05), tada koreliacijos koeficientas taip pat bus reikšmingas tame pačiame lygyje.

Žvelgiant į vieną žingsnį toliau, mes galime įterpti du pogrupių dažnių pasiskirstymus šalia tos pačios bazinės linijos, kaip parodyta žemiau.

Po to mes galime grįžti prie pradinio klausimo - kur mes nustatome prognozės ribą, kad bendras klaidų skaičius būtų sumažintas? Pasirodo, kad šios problemos matematinis sprendimas lemia labai paprastą atsakymą: ribinis taškas, kuris sumažina bendrą klaidą, yra ta vieta, kurioje du skirstiniai susikerta.

Tai galima lengvai parodyti konceptualiu lygiu, nagrinėjant tris toliau pateiktus atvejus. Tas pats skirtumas tarp priemonių (ty tos pačios koreliacijos) naudojamas kiekvienu atveju - viskas, kas buvo pakeista, yra ribinio taško, esančio prognoze, vieta.

(A) iliustracijoje klaidingas teigiamas skaičius (gedimai, kurie viršija ribinę vertę) nurodo B sritis. Neteisingų negatyvų skaičius (sėkmės, kurios yra mažesnės už ribinę vertę) pateikiamos pagal teritoriją A. Taigi,

Bendra klaida = A + B

(B) iliustracijoje klaidingų teiginių skaičių nurodo B, o klaidingų negatyvų skaičių nurodo A + C.

Bendra klaida = A + B + C

Kadangi visų trijų iliustracijų patikrinimas greitai patvirtina, kad plotas A + B yra vienodas visais trimis atvejais, akivaizdu, kad klaida padidinama tam tikra suma C, kai ribinė vertė yra perkeliama (bet kuria kryptimi) nuo taško kuriame du skirstiniai susikerta.

Kai kurie neįprasti stebėjimai:

Dabar turime bendrą principą, pagal kurį nustatomas pjovimo rezultatas, kuris sumažins bendrą atrankos sprendimų priėmimo klaidų skaičių, būtent sankirtos taške.

Pasirodo, kad tol, kol abiejų tipų klaidos laikomos vienodai brangiomis, tai yra labai bendroji taisyklė ir tai neturi įtakos:

(1) Santykinis dviejų grupių dydis (ty procentas laikomas sėkmingu), arba

(2) Atitinkamos dviejų paskirstymų dispersijos arba dispersijos.

Tai lemia įdomius ir labai svarbius bendro prognozavimo problemos aspektus, susijusius su testo galiojimo santykiu su bandomuoju naudingumu. Rorer, Hoffman, LA Forge ir Hsieh (1966) nurodė tris tokius įdomius atvejus.

1 atvejis:

Abiejų grupių priemonės ir skirtumai skiriasi. Tarkime, kad mūsų sėkminga grupė yra vienodo dydžio su nesėkminga grupe ir turi žymiai didesnę vidurkį prognozuojamoje grupėje, tačiau jos dispersija yra daug mažesnė.

Tokios situacijos diagrama yra tokia:

Mūsų principas nustatyti ribinius taškus sako, kad mes turėtume juos išdėstyti ten, kur susikerta du paskirstymai. Atkreipkite dėmesį, kad šiuo atveju tai vyksta du kartus. Taigi, mes turime viršutinę ribą ir mažesnę ribą. Turėtume pasirinkti tik tuos žmones, kurie patenka į intervalą tarp ribinių verčių pagal savo testo rezultatą. Bet kokie kiti atskyrimo taškai sukels didesnę bendrą paklaidą, nei būtų gaunama su sankryžoje esančiais taškais.

2 atvejis:

Grupės turi vienodas priemones, bet skirtingas dispersijas. Šiuo labai įdomiu atveju šios dvi grupės nesiskiria pagal vidutinį prognozavimo rezultatą - tai yra vidutiniškai nesėkmingi darbuotojai, kaip ir sėkmingai dirbantys darbuotojai. Tai reiškia, kad koreliacijos koeficientas yra nulinis tarp prognozės ir kriterijaus. Tačiau mes taip pat pareiškėme, kad šios dvi grupės skiriasi savo kintamumo požiūriu.

Jei manome, kad sėkminga grupė yra grupė, turinti mažesnį kintamumą ekspozicijos tikslais, mes galime šią diagramą išreikšti taip:

Nors abi grupės turi tokį patį vidutinį kriterijų balą, galima sukurti ribinius taškus, kurie pagerins prognozes, kurias šiuo metu naudoja dabartiniai metodai, nes abu paskirstymai susikerta dviem taškais dėl nevienodo kintamumo. Taigi, turime unikalią situaciją, kai nėra akivaizdaus galiojimo (matuojant koreliacijos koeficientu), tačiau kai prognozavimas gali būti gerokai patobulintas naudojant atitinkamus ribinius dydžius.

3 atvejis:

Grupės priemonės labai skiriasi, tačiau grupės dydis taip pat labai skiriasi. Tarkime, kad susiduriame su situacija, kai nesėkmingų darbuotojų bazinė norma yra labai maža, ty apie 90 proc. Mūsų dabartinių darbuotojų yra laikomi sėkmingais. Tokia situacija yra parodyta šioje diagramoje.

Čia turime kitą unikalią situaciją. Nors grupės priemonės gali būti iš esmės skirtingos, taip suteikiant reikšmingą koreliaciją tarp kriterijaus ir prognozės, nebus įmanoma nustatyti jokios ribos, dėl kurios sumažėtų klaida, palyginti su šiuo metu gautais metodais. Dėl dviejų skirtingų grupių dydžio skirtumų matome, kad abu paskirstymai nesikerta nė viename taške.

Pagal mūsų dabartinę atrankos sistemą padarome klaidas tik 10 proc. Laiko. Jei perkeliame savo ribines vertes iš kairės į dešinę 3 atveju (pradedant nuo kraštutinių kairiųjų, nes šiuo metu mes pasirenkame visus šiuos žmones), mes, žinoma, pradėsime pašalinti kai kuriuos nesėkmingus žmones, kurie šiuo metu yra pagal dabartinę sistemą.

Tačiau tuo pačiu metu pradėsime atmesti darbuotojus, kurie pasirodytų sėkmingi. Žiūrint į diagramą, greitai sakoma, kad šis klaidingų negatyvų padidėjimas būtų didesnis nei atitinkamas klaidingų teigiamų rezultatų sumažėjimas, neatsižvelgiant į tai, kur mes išskiriame ribą. Taigi, bet kuris bandymu pagrįstas ribojimas sukels daugiau klaidų nei mes neturime testo, nors testas yra labai tinkamas.