Darbo sėkmės prognozavimas (su diagrama ir statistika)
Darbo sėkmės prognozavimas apima tai, kokiu mastu prognozuotojas yra susijęs su kriterijumi. Pvz., Tarkime, kad vienas suinteresuotas sukurti atrankos programą, kad galėtumėte samdyti naujus bylų tvarkytojus. Tarkime, kad buvo nuspręsta naudoti popieriaus ir pieštuko testo tinkamumą, kaip potencialų failų tvarkytojo efektyvumo prognozę, ir kad efektyvumas turėjo būti nustatomas pagal priežiūros institucijų reitingus. 2.3 lentelėje pateikiami kai kurie hipotetiniai duomenys apie šią prielaidą, dvylikos bylų tvarkytojams pateikiant balus tiek operatyviniam, tiek efektyvumo kriterijų matui. 2.5 pav. Pateikiamas 2.3 lentelėje pateiktų duomenų grafikas.
Atkreipkite dėmesį, kad yra sisteminė tendencija. Apskritai, kuo aukštesnis žmogus įveikė kanceliarinį testą, tuo aukštesnė ji įvertino darbo įgūdžių matą. Todėl galime daryti išvadą, kad egzistuoja aiškus ryšys tarp bandymo rezultatų (prognozavimo) ir darbo įgūdžių (kriterijų). Taip pat galime daryti išvadą, kad jei pasirinksime tuos žmones, kurie bandymo rezultatais pasiekė didesnį rezultatą, mes esame labiau linkę samdyti žmones, kurie bus geresni nei tuo atveju, jei mes samdome žmones nepriklausomai nuo testo rezultato.
Ryšio laipsnio nustatymas:
Ryšio tarp dviejų kintamųjų laipsnis gali būti apibrėžiamas kaip mastas, kuriuo šie du kintamieji sistemingai skiriasi. Labiau techninis terminas yra kovariacijų laipsnis tarp kintamųjų. Formalaus kovariacijos laipsnio nustatymo tarp dviejų dviejų balų grupių matas yra statistinis pavadinimas, vadinamas koreliacijos koeficientu. Kai du balų rinkiniai yra labai susiję, sakome, kad jie yra labai susiję. Dažniausias koreliacijos matas yra Pearsono produkto akimirkos koreliacijos koeficientas, žymimas simboliu r.
Kaip santykio matas, r svyruoja nuo + 1, 00 iki -1, 00. Kai r yra + 1, 00, du balų rinkiniai yra teigiami ir puikiai susiję vienas su kitu. Kai r yra -1.00, du balų rinkiniai yra neigiami ir puikiai susiję vienas su kitu. Kai r = 0, 00, du balų rinkiniai visai nesusiję vienas su kitu. 2.6 paveiksle parodyta skirtingo r dydžio grafikai.
Prognozuojant sėkmės sėkmę, koreliacijos koeficiento ženklas nėra svarbus, bet dydis yra. Kuo didesnis abs absoliutus dydis, tuo geriau prognozuoti kriterijų balus remiantis informacija, gauta iš prognozuotojo.
Norint suprasti koreliacijos pagrindą, gali būti naudinga apsvarstyti vaizdinį kovariacijos vaizdą ir jo ryšį su r. Bet koks balų rinkinys turės tam tikrą variaciją - iš tikrųjų, kaip jau matėme, žmonių, turinčių daugybę bruožų, balai seka normalų pasiskirstymą su nedideliu labai aukštų balų skaičiumi, nedideliu labai mažo balų skaičiumi ir dauguma balų, atsiradusių pasiskirstymo viduryje.
Tarkime, kad mes reprezentuojame šį dispersiją kriterijų balų rinkinyje, kaip parodyta aukščiau, kur bendras plotas yra apibrėžiamas kaip 1, 00. Tai galime padaryti, nes galima pakeisti bet kokį neapdorotų balų rinkinį taip, kad jų dispersija būtų lygi 1, 00, naudojant tai, kas žinoma kaip „az score transform“.
Panašiai, tarkime, mes turime numatomų balų rinkinį, kuris taip pat skiriasi ir paprastai yra paskirstytas, ir vėl ši sritis apibrėžiama kaip lygi 1, 00. Dabar mes galime atstovauti r geometriškai, kaip susietą su abiejų balų rinkinių persidengimu (kovariacija).
Tikslesnis r kaip statistikos apibrėžimas yra tai, kad santykis tarp dviejų kintamųjų kovariacijos ir atitinkamų dispersijų produkto kvadratinės šaknies (kartais vadinamas geometriniu vidurkiu), kuris gali būti diagramuotas, kaip parodyta toliau:
Grįžtant prie 2.3 lentelėje pateiktų duomenų, galima apskaičiuoti koreliaciją tarp šių dviejų balų rinkinių naudojant formulę
Skaitytojui patariama, kad r negali būti aiškinama kaip procentinė dalis. Jei r = 0, 50, tai nereiškia, kad 50 procentų kriterijaus dispersijos yra nuspėjami iš atrankos kintamojo. Tačiau r kvadratas gali būti aiškinamas taip. 0, 50 koreliacija, kai kvadratas, duoda r 2 = 0, 25, kuris gali būti aiškinamas kaip atrankos kintamojo prognozuojamo kriterijaus dispersijos procentas.
Statistikos r 2 kartais vadinamas nustatymo koeficientu, nes jis atspindi dispersijos dydį viename kintamajame, kuris gali būti „nustatomas“, žinant antro kintamojo balus. 2.7 paveiksle parodytas ryšys tarp r (santykio matas) ir r 2 . Atkreipkite dėmesį, kad galima gauti gana didelį dydį ir vis dar sudaro tik nedidelę kriterijų dispersijos dalį.
Regresija:
Kaip matėme, koreliacijos koeficientas r matuoja dviejų kintamųjų santykio laipsnį. Tačiau pats savaime nesuteikia mums procedūros, pagal kurią galime numatyti vieną balų rinkinį iš kito rinkinio. Metodas, kuriuo tai daroma, vadinama regresijos analize. Regresija gali būti laikoma susijusi su koreliacija taip: Koreliacija matuoja dviejų kintamųjų santykio dydį arba laipsnį, o regresija pateikia santykių tarp kintamųjų tipą, kuris savo ruožtu gali būti naudojamas prognozėms.
Norint iliustruoti regresiją, atkreipkite dėmesį į 2.8a pav. Akivaizdu, kad šiuo atveju egzistuoja reikšmingas teigiamas ryšys tarp prognozuotojo ir kriterijaus. Deja, 2.8a paveiksle nepateikiama jokios informacijos apie tikslų ryšį, išskyrus tai, kad jis yra tiesinis (r visada matuoja tik linijinį laipsnį, o ne kreivinį ryšį tarp dviejų kintamųjų). Jei norime numatyti kriterijų balus iš kai kurių atrankos įrenginių, aišku, kad turime tiksliau apibūdinti pastebėtą ryšį tarp prognozuotojo ir kriterijaus.
Tai pasiekiama ieškant linijos ar funkcijos, geriausiai apibūdinančios duomenų taškus. Tai vadinama „tinkamiausios linijos“ pritaikymu prie duomenų. Kadangi darome prielaidą, kad santykis yra tiesinis (mes naudojome r, kad matuotume jo dydį), mūsų naudojamos linijos tipas turi būti tiesus, ty neleidžiama naudoti lenktų linijų. Ši geriausiai pritaikyta linija vadinama regresijos linija ir gali būti naudojama prognozuoti prognozę.
2.8b paveiksle pavaizduotos dvi skirtingos geriausio tinkamumo linijos, kurios gali būti gautos, jei mes paprašėme dviejų skirtingų asmenų išnagrinėti duomenis ir tada brėžti liniją per taškus, kurie, jų manymu, geriausiai apibūdina kintamųjų tendenciją ar santykį. Nors bendra tendencija yra panaši, pastebime, kad abu žmonės nėra visiškai sutikę dėl jų santykių.
Šis nesutarimas savo ruožtu sukeltų nesutarimus dėl numatyto kriterijaus balo, priklausomai nuo to, kokia panaudota regresinė linija. Atsižvelgiant į darbo pareiškėją, turintį x balą atrankos priemone, šiam pareiškėjui būtų numatytas y 1 kriterijaus balas, jei norėtume naudoti pirmojo asmens regresijos liniją; jei mes panaudojome antros asmens regresijos liniją, mes prognozuotume y 2 kaip labiausiai tikėtiną kriterijų balą. Kokia regresija yra teisinga?
Tai yra sudėtingas klausimas, į kurį reikia atsakyti, nebent yra kokių nors priežasčių nuspręsti, kas iš tikrųjų yra „geriausia“. Laimei, statistikai apskritai sutarė, kad geriausia montavimo linija yra ta, kuri eina per taškus, kad sumažintų taškų kvadratinių atstumų (y matmenų) sumą iš linijos, kaip parodyta 2.9 pav.
Linija, pasiekianti minimalizavimą Σd 2, vadinama „mažiausiai kvadratų“ regresijos linija. Tokios regresijos linijos matematiškai tiesiogiai susijusios su r. Naudojant mažiausio kvadrato metodą, kad gautume mūsų prognozavimo liniją, bus užtikrinta, kad skirtingi žmonės baigsis ta pačia linija (darant prielaidą, kad jie neatlieka skaičiavimo klaidų). Panašiai numatomo kriterijaus balas bet kuriai konkrečiai x vertei nesikeis priklausomai nuo to, kas atitinka numatymo liniją (žr. 2.8c pav.).
Šiuo metu skaitytojas gali paklausti: „Kodėl mums reikia numatyti kriterijus, kai jau turime juos?“ Atsakymas yra gana paprastas. Iš pradžių matuojant santykio tarp prognozuotojo ir kriterijaus mastą, akivaizdu, reikia abiejų balų rinkinių, arba santykiai negalėjo būti nustatyti. Jei pasirenkamasis prietaisas bus naudingas, jis gali būti naudojamas su visais naujais pareiškėjais, kuriems gali būti numatomas rezultatas, tačiau kurio kriterijų balas neegzistuoja.
Mūsų tikslas - numatyti būsimų pareiškėjų kriterijus. Jei naujasis pareiškėjas įvertins aukštą testą, kuris, kaip nustatyta, turi didelį teigiamą ryšį su kriterijumi, tuomet turėtume tikėtis, kad jis turės didelę tikimybę, kad ji bus sėkminga.
