Prognozavimo sistemos užimtumo sprendimų priėmimui

Tipiška prognozavimo problema, ar ji yra atranka, vieta, ar abu, apima kelių prognozių naudojimą. Šie prognozuotojai yra geriausiu būdu naudojami kaip gairės priimant sprendimą dėl darbo. Yra tokių sprendimų, kaip „ar jis turėtų būti pasamdytas šiam darbui?“, Arba „ar ji turėtų būti siunčiama į šią mokymo programą?“ Yra keletas strategijų, kurias psichologas gali priimti savo požiūrį į sprendimų priėmimo procesą. Priklausomai nuo priimtos konkrečios prognozavimo sistemos, užimtumo sprendimai gali pasirodyti gana skirtingi.

Nors kiekviena sistema turi savo privalumų ir trūkumų, kiekvienas pateikia metodą, kaip priimti sprendimus dėl žmonių, remiantis bruožų ar savybių grupe (prognozuotojai), kurie, kaip manoma, yra svarbūs darbo sėkmei.

Pagrindinės sistemos yra:

(1) Daugialypės regresijos sistema,

(2) Daugialypė atskyrimo sistema,

(3) Profilio suderinimo sistema ir

(4) Daugiafunkcinė kliūčių sistema.

Kiekviena sistema bus išsamiau nagrinėjama tolesniuose skyriuose.

Kelių regresijos sistema:

Kaip rodo pavadinimas, ši įdarbinimo sistema naudoja daugialypį regresijos modelį priimant sprendimus dėl asmenų. Daugialypės regresijos modelis yra y = b ₁ x ₁ + b ₂ x ₂ (prielaida a = 0) (3.6)

Naudojant tokį modelį atrankoje daroma prielaida, kad (1) bruožai x ₁ ir x ₂ yra linijiškai susiję su kriterijaus atlikimu ir kad (2) vieno iš savybių „partijos“ turėjimas kompensuoja tik „mažą“ „Antrojo bruožo“.

Atsižvelgiant į situaciją, pavyzdžiui, kai bi = 2 ir b ₂ = 4 ir a = 0, formulė y = 2x ₁ + 4x ₂ (3, 7)

būtų naudojamasi siekiant prognozuoti darbo sėkmę. Tarkime, kad kriterijų balas 50 gali būti laikomas patenkinamu darbuotojų atlikimu ir bet kas mažiau lėmė nepatenkinamą darbą. 3.2 lentelėje pateikiami kai kurie keturių teorinių darbo kandidatų bandymų rezultatai. Prognozuojamas kiekvieno kriterijaus balas taip pat apskaičiuotas naudojant 3.7 lygtį. Atkreipkite dėmesį, kad visi keturi pareiškėjai turi tokį patį prognozuojamo kriterijaus našumą, nors jų bandymų rezultatas yra gana skirtingas. Kai mes einame iš asmens A per asmenį D, matome, kad jų testo 2 balai sistemingai mažėja.

Tačiau šį sumažėjimą kompensuoja atitinkamai padidėjęs 1 bandymo rezultatas. Iš tikrųjų, atlikus išsamų patikrinimą, bus matyti, kad dviejų bandymų metu gautų dviejų taškų padidėjimas yra būtinas norint kompensuoti kiekvieno bandymo 2 taško praradimą. Tai neturėtų nustebinti, nes 2 bandymui suteiktas santykinis svoris du kartus didesnis už 1 regresijos modelio testas (ty b ₁ = 2, b ₂ = 4).

3.5 paveiksle dar aiškiau parodyta 3.2 lentelėje pateiktų duomenų sukurtos atrankos proceso dinamika. 3.5 pav. Sklaidos sklype parodyta balų apvalkalas rodo situaciją, kai du našumo prognozės, x ₁ ir x ₂, teigiamai koreliuoja. Jei koreliacija r ₁₂ būtų lygi nuliui, sklaidos sklypas, žinoma, būtų apskritimas.

Tačiau sklaidos sklypo forma nėra labai svarbi daugialypės regresijos sistemai būdinga kompromisinė koncepcija. Kadangi mes sakėme, kad bet kuris asmuo, kurio numatomas balas yra 50 ar didesnis, buvo laikomas „patenkinamu“, mes galime brėžti „50 taškų liniją“ 3.5 paveiksle, kuriame parodyti visi galimi 1 ir 2 testų balų deriniai, kurie rezultatas yra lygus 50 taškų, naudojant 3.7 lygtį. Kaip parodyta paveikslėlyje, visi keturi pareiškėjai eina šia linija.

Įdomus aspektas 3.5 paveiksle yra tas, kad eilutė skiria darbo prašytojų populiaciją į dvi grupes ar regionus. Visi pareiškėjai, einantys į dešinę ir virš linijos, turės kriterijų balus (naudodami 3.7 lygtį), kurie bus didesni nei 50. Visi pareiškėjai, esantys kairėje ir žemiau linijos, turės mažiau nei 50 kriterijų balus. būti priimtas įsidarbinti, nes numatoma, kad jų rezultatai bus patenkinami.

Pastarieji pareiškėjai, kurių numatomas našumas yra mažesnis nei patenkinamas, bus atmetami taikant šią atrankos sistemą. 3.6 paveikslas išplečia 3.5 paveikslą į tris matmenis, rodančius stebimų kriterijų balus, taip pat visų asmenų prognozavimo balus.

Svarbu pažymėti, kad 3.6 paveiksle pateikta plokštuma, padalijanti darbuotojus į tuos, kurie būtų atrinkti naudojant 3.7 lygties regeneravimo modelį, ir tie, kurie būtų atmesti, nėra regresijos plokštuma. Tai geriau vadinama atrankos plokštuma. Skaitytojui grįžta atgal į 3.4 pav., Kad būtų galima parodyti regresijos plokštumą dviejose prognozėse daugialypėje regresijos sistemoje.

Kelių regresijos sistemos prielaidos, privalumai ir trūkumai:

Daugkartinio regresijos prognozavimo sistema yra galinga atrankos procedūra, kai naudojama tinkamai. Teikiant pagrindinę prielaidą, kad visi santykiai yra tiesiniai, yra matematinė elegancija, kurią sunku viršyti. Pavyzdžiui, žinoma, kad modelis sumažina prognozavimo klaidas. Kitas šios sistemos privalumas yra tas, kad prognozuotojai yra sujungti, kad būtų gautas efektyviausias vėlesnio veikimo įvertinimas.

Vienas iš pagrindinių prieštaravimų, susijusių su daugialypės regresijos modeliu, apima tokį netiesioginį jos taikymo principą. Ar vieno kintamojo X vienetai gali būti pakeisti X vienetais kitu kintamuoju, visada yra ginčytinas klausimas. Žinoma, šis metodas gali būti labai lankstus. Galima nustatyti lygtis kiekvienai užduočiai, naudojant tuos pačius arba skirtingus prognozes. Todėl kiekvienam asmeniui kiekvienam darbui galima apskaičiuoti prognozuojamus balus.

Tada žmonės gali būti samdomi ir įdarbinami konkrečiame darbe, naudojant vieną ar daugiau šių procedūrų:

1. Kiekvieną asmenį įdėkite į tą darbą, kurio rezultatas yra didžiausias. Tai leidžia daryti prielaidą, kad organizacija pelnės daugiausiai, jei kiekvienas asmuo bus patalpintas ten, kur jis turi tinkamiausią tinkamumą, neatsižvelgiant į absoliutų to tinkamumo sumą. Jei toje darbo vietoje nėra jokių pozicijų, jis būtų perkeltas į kitą darbą, kuriam jis gavo antrąjį „geriausio kriterijaus balą“.

Viena iš tokių procedūrų problemų yra ta, kad pačios darbo vietos gali turėti skirtingus minimalius sėkmės reikalavimus. Taigi gali atsitikti, kad jo geriausias rezultatas (numatomas našumas A darbui) gali būti nepakankamas numatytai sėkmei A darbo vietoje, o antrasis geriausias rezultatas (numatomas darbas B darbe) gali būti gerokai didesnis už vertę, reikalingą siekiant prognozuoti sėkmę darbas B.

2. Kiekvieną asmenį įdėkite į tą darbą, kur jo numatomas rezultatas yra toliausiai viršijamas minimalus rezultatas, kuris yra būtinas, kad būtų laikomas patenkinamu. Šis metodas labiau susijęs su bendru sistemos efektyvumu, o ne į tai, kokiu mastu kiekvienas žmogus gali dirbti geriausiai. Taip išvengiama bet kokio darbo, kai jo darbas bus nepakankamas.

Kelių išjungimo sistemų:

Daugialypės regresijos sistemos diskusijoje buvo aiškiai nurodyta, kad naudojamas modelis numato linijinius santykius tarp prognozatorių ir kriterijaus. Tokia sistema dažnai prieštarauja dėl to, kad nors daugeliui bruožų gali būti linijinis ryšys tarp nuspėjamojo ir kriterijaus daugumos diapazono atžvilgiu, gali būti tam tikras minimalus priimtinas šio bruožo dydis, kuris yra būtinas norint tapti sėkmingu darbuotojas. Toks ryšys tarp darbų atlikimo ir testo pateiktas 3.7 pav.

3.7 pav. Prognozės kriterijų funkcija rodo, kas atsitinka, kai daroma prielaida, kad:

(1) Yra tam tikras minimalus prognozavimo gebėjimas (X požymis), būtinas sėkmingam darbui, ir. \ T

(2) Bet koks požymis X, esantis žemiau šio minimalaus, trūkumas ar trūkumas negali būti kompensuojamas turint daugybę kitų gebėjimų, kurie taip pat parodė, kad prognozuoja darbo sėkmę.

Vienas iš tokių situacijų pavyzdžių gali būti surinkimo darbas, kuriam reikalingas geras regėjimas ir rankinis veikimas. Apskritai, galima pastebėti, kad kuo geresnis darbininko regėjimas ir kuo geresnis jo veikimas, tuo sėkmingesnis darbuotojas turėtų būti darbo vietoje. Vis dėlto vizijos dimensijoje gali būti taškas, per kurį niekas negalėtų padėti.

Atrankos ir įdarbinimo procedūra, kurioje atsižvelgiama į šią minimalių priimtinų verčių problemą, vadinama daugialypiu atskyrimo metodu, ty kiekvienam nuspėjamojui atskirai nustatomas ribinis taškas. Jei asmuo neturi rezultato, viršijančio visų numatytų darbų prognozes, jis nebus įdėtas į tą darbą.

Taigi šiuo metodu nėra papildomų bruožų. Sumažinti žemiau minimalaus bet kokio nuspėjamojo bus diskvalifikuotas asmuo. 3.8 ir 3.9 paveiksluose pateikiami priėmimo ir atmetimo regionai, naudojant daugialypę ribojimo sistemą, skirtą duomenims, panašiems į tuos, kurie naudojami iliustruojant 3.5 ir 3.6 pav.

Galbūt geriausias būdas palyginti du metodus yra nurodyti, kaip jie skiriasi atsižvelgiant į tai, kas bus atrinktas darbui. 3.10 pav. Pateikiami abiejų atrankos metodų ribinės linijos. Pirmiausia atkreipkite dėmesį, kad, nepaisant naudojamo metodo, tie 7 srities žmonės visada bus priimti, o 1, 3 ir 5 vietovėse esantys žmonės visada bus atmesti. Žmonės, kurie bus skirtingai vertinami kaip atrankos procedūros funkcija, yra 2, 4 ir 6 srityse.

Naudojant daugialypės regresijos pasirinkimo sistemą, visi 2 ir 6 vietovių žmonės bus priimti, o 4 zonoje esantys asmenys bus atmesti. Atvirkštinis metodas bus naudojamas naudojant daugialypę ribojimo procedūrą; 4 zonos gyventojai bus priimti, o 2 ir 6 sričių žmonės bus atmesti. Taigi klausimas išsprendžiamas dėl vieno iš šių dviejų asmenų grupių santykinio pageidavimo.

Sprendimas yra matematiniu požiūriu sudėtingas ir, kaip parodė Viešpats (1963 m.), Pirmiausia yra dviejų prognozatorių patikimumo funkcija. Iš tikrųjų, daugumoje sąlygų, tikriausiai nė viena procedūra nepateikia geriausio sprendimo pasirinkus tą darbuotojų grupę, kurios balas yra aukščiausias. Vietoj to, atrodo, kad optimali atrankos strategija yra tam tikras kompromisas tarp dviejų metodų (žr. Punktinę liniją 3.10 pav.).

Pjovimo balų nustatymas:

Jei žmogus priima daugialypį pjovimo taškų metodą, reikia nuspręsti dėl atskirų minimalių priimtinų balų kiekvienam prognozatoriui. Tai nėra lengva užduotis, nes nėra tikslaus „teisingo“ būdo nustatyti tašką, kurį žemiau visi žmonės bus diskvalifikuojami. Santykiai, susiję su atrankos koeficientu ir procentais, kurie laikomi patenkinamais (pjūvio rezultatas), jis pradės matyti, kokia sudėtinga yra problema, kai dalyvauja du nuspėjamieji.

Apskritai, pjovimo rezultato verčių nustatymo procesas tampa vienu iš bandymų ir klaidų, kai bandomos kiekvienos prognozės skirtingos vertės. Kiekvienai pjovimo balų porai tyrėjas turi nustatyti, kaip aukštas vidutinis arba sudėtinis kriterijų balas, palyginti su kitais pjovimo taškų deriniais. Jis taip pat turi atsižvelgti į darbo vietų skaičių atsižvelgiant į bendrą pareiškėjų skaičių (atrankos koeficiento priemonė).

Kelių pjovimo balų prielaidos, privalumai ir trūkumai:

Apibendrinant pirmiau minėtus punktus, taškų pjovimo metodas iš tikrųjų reiškia netiesinį ryšį tarp prognozatorių ir kriterijaus. Antra, ji paneigia bandymų rezultatų pakeitimo koncepciją, bent jau tam tikrose diapazono dalyse. Vienas aiškus pranašumas yra tai, kad personalo žmogus paprastai yra paprastas būdas įgyvendinti, nes nėra reikalingų sudėtingų skaičiavimo procedūrų ar formulių.

Tačiau, kaip jau buvo minėta, tam tikras bandymų ir klaidų kiekis yra būtinas norint gauti pjovimo balus, kurie veiks patenkinamai. Vienas iš svarbesnių trūkumų yra tas, kad jis nesuteikia vieno rezultato kiekvienam asmeniui, kuris gali būti naudojamas prognozuoti, kaip sėkmingai jis dirbs viename darbe, palyginti su sėkme kitame darbe. Taigi faktinis įdarbinimas per pjovimo balus gali tapti itin sudėtingas.

Profilio atitikties sistema:

Trečias požiūris į darbuotojų atranką ir vietą yra profilių atitikimo sistema. Yra daug šio metodo variantų, kurie iš esmės skiriasi atsižvelgiant į tai, kaip profiliai yra suderinti. Tačiau likusieji procedūros aspektai yra gana įvairūs nuo versijos iki versijos. Pats metodas yra gana paprastas. Jei yra k kintamųjų (prognozuotojų), kurie yra laikomi svarbiais darbo sėkmei, tada kiekvienas iš šių k prognozatorių matuoja visus „sėkmingus“ darbuotojus darbe. Po to balai apskaičiuojami pagal „tipišką“ sėkmingo darbuotojo profilį. Hipotetinis tipinis profilis parodytas 3.11 pav.

Šiame pavyzdyje buvo aprašyti dešimt nuspėjamųjų, kurie apibūdino tipišką sėkmingą darbuotoją A. Kadangi duomenys rodo, sėkmingas darbuotojas A darbo vietoje turi 2, 3, 5, 6 kintamųjų aukštus balus (palyginti su kitais darbuotojais). ir 8. Jo balai dėl kintamųjų 1, 4, 7, 9 ir 10 labai nesiskiria nuo vidutinio darbuotojų našumo apskritai. Kai buvo gautas toks idealus profilis, jis naudojamas kaip standartas, pagal kurį lyginami individualūs visų naujų pareiškėjų profiliai.

Šiuo metu profilio metode kyla du gana svarbūs klausimai. Pirma, kaip nuspręsti, kokie yra prognozuojantys veiksniai, ty kurie turėtų būti įtraukti į profilį? Antra, atsižvelgiant į tai, kad profilio elementai buvo sėkmingai atrinkti, kaip tinkamai įvertinti, kokiu laipsniu bet kuris individualus profilis atitinka idealų profilį? Tai, kaip šios dvi problemos išsprendžiamos, gali labai paveikti bet kokio profilio atitikimo sistemos patikimumą ir galiojimą.

Profilio elementų pasirinkimas:

Kiekvienas profilio elementas naudojamas kaip darbo sėkmės prognozuotojas, kaip ir anksčiau aptartų metodų prognozės. Tuomet neabejotinai svarbu nustatyti kiekvieno profilio elemento galiojimą prieš jį naudojant kaip priemonę atrinkti ir (arba) įdėti asmenis į darbą. Kokį patikinimą turime, pavyzdžiui, kad neturtingi ar nepatenkinami darbuotojai neturi sudėtinio profilio, kuris atrodo lygiai taip, kaip parodyta 3.11 paveiksle? Neturime nieko, iš tikrųjų, nebent mes empiriškai išsiaiškiname, kas atrodo nepatenkinamas sudėtinis, iš tikrųjų matuodamas šių žmonių grupę tomis pačiomis savybėmis ir skaičiavimo grupės vidurkiais.

Turėtų būti aišku, kad idealus profilis turėtų būti įtrauktas tik į tuos prognozes, kurie rodo, kad vidutinis balų skirtumas tarp patenkinamų ir nepatenkinamų grupių labai skiriasi. Bet koks bruožas, kuris aiškiai atskiria „gerus“ ir „vargšus“ darbuotojus, tik pridės klaidų ir painiavos, kai bus įtrauktas į atrankos procesą. Kadangi kiekvieno bruožo patvirtinimas yra būtinas (bet pernelyg dažnai ignoruojamas) profilio elemento pasirinkimo žingsnis, gali būti teisėtas klausimas paklausti, kodėl ne naudoti visus profilio prognozes daugialypės regresijos lygtyje (arba netgi keliuose ribiniuose taškuose) ). Tiesą sakant, atsakymas į tai priklauso nuo to, koks metodas naudojamas lyginant profilius, kaip matysime sekančiame skyriuje.

Profilių palyginimo metodai:

Yra dvi gana skirtingos procedūros, kurios gali būti priimtos lyginant kiekvieno asmens profilius su idealiu profiliu. Vienas metodas pasirenka tuos žmones, kurių profiliai labiausiai atitinka kompozitą. Tai savo ruožtu lemia procedūrų pasirinkimą, priklausomai nuo to, kaip apibrėžta termino atitiktis.

Vienas iš būdų, kaip apibrėžti gerą rungtynę, yra pasakyti, kad kuo arčiau vieno profilio taškų yra kito profilio taškai, tuo geriau rungtynės. Tada šis metodas naudoja skirtumus tarp dviejų balų kiekviename bruože, kad gautų panašumo (ar skirtumo) matą. Dažniausia procedūra apskaičiuoja šiuos skirtumus, juos kvadrato, o tada juos prideda, kad gautų panašumo matą. Taigi, jei mes turime profilį su k bruožais ir jei mes dar apibrėžsime

X _ij - asmens i balas tašku j

X _8j = Standartinio profilio balas pagal bruožą j

tada D ² = (X _ij - X _aj ) 2

ir ΣD ² - tai laipsnis, iki kurio asmens profilis atitiko standartinį profilį. Kuo didesnis ΣD ², tuo blogiau rungtynės. Svarbu suvokti, kad D2 metodas nesusijęs su tuo, ar asmens, kuriam teko nukristi virš kompozicijos, ar ne, ty krypties, balai nėra svarbūs. Visa tai yra profilio taškų artumas.

Antrasis profilio panašumo apibrėžimo metodas išreiškiamas mūsų senojo draugo koreliacijos koeficientu. Didelis koreliacija tarp individualių balų yra profilio, o idealaus profilio balai rodo, kad abu profiliai turi panašius raštus, ty individualūs „i“ balai yra tokie, kad idealus profilis taip pat pasižymi aukštais rezultatais. bruožai, kuriuose idealus profilis taip pat turi mažus balus. 3.12 paveiksle parodyti profilių pavyzdžiai, iliustruojantys, kaip naudojant skirtingus panašumo vertinimo metodus gali būti atrenkami skirtingi asmenys. 3.12 paveikslo tyrimas greitai atskleidžia, kad bendras asmens „B“ balų skaičius daug labiau prilygsta idealaus ar standartinio profilio modeliui, nei atlieka asmens A. balai.

Tačiau faktiniai balų, kuriuos gauna asmuo A, rodikliai yra artimesni standartinio profilio balams nei balai atskiram B profiliui. Todėl galime tikėtis, kad individualus A turėtų turėti mažesnį (labiau pageidautiną) ΣD ² balą, o atskiras B turėtų turėti aukštesnę koreliaciją (labiau pageidautiną) su standartu.

Kaip matyti iš 3.3 lentelėje pateiktų duomenų, taip atsitinka. Kai 3.12 pav. Pateiktos vertės naudojamos .12D ² skaičiavimui, asmens A rezultatas (ΣD ² _as ) yra 500, o asmens B rezultatas (ΣD ² _bs ) yra daug didesnis, turintis 2000 vertę. apskaičiuojamos koreliacijos tarp profilių, koreliacija tarp profilio A ir standartinio profilio yra apskaičiuojama _kaip r = = 1, 00, o koreliacija tarp profilio B ir standarto, _rbs, yra 1, 00 - visiškas susitarimas. Taigi, jei D2 metodas buvo naudojamas kaip atrankos kriterijus, mes pasirinktume asmenį A; jei mes naudosime koreliaciją tarp profilių kaip metodą, mes pasirinktume asmenį B. “

Procedūros pasirinkimas:

Kokia procedūra yra geriausia yra klausimas, į kurį galima atsakyti tik empiriniais būdais tam tikroje aplinkoje. Labai tikėtina, kad nei D2, nei koreliacijos metodas nėra geriausias būdas. Jei profilio bruožai buvo parinkti remiantis tuo, kad jie gerokai diskriminuoja gerus ir neturtingus darbuotojus (kaip iš tikrųjų jie turėtų būti atrinkti), logiška išskaitymas yra tas, kad norima turėti aukštą balų skaičių ir turi būti vengiama mažų rezultatų (arba atvirkščiai, priklausomai nuo savybių).

Jei manome, kad, kaip mes apskritai turime, kad reikšmingas ryšys tarp kiekvieno bruožo profilio ir darbo sėkmės yra teigiamas ir linijinis, tada norėtume pasirinkti žmones pagal vieną iš šių procedūrų:

1. Pasirinkite tuos žmones, kurių profilio taškai yra didžiausi, ty jų vidutinis profilio balas naudojamas kaip atrankos indeksas. Naudodamas šią procedūrą žmogus gali turėti didelį ΣD ² balą ir vis dar būti pasirinktas, jei jo profilio taškai yra linkę virš atitinkamų standarto taškų. Ši procedūra yra lygiavertė daugialypės regresijos atrankos modelio naudojimui, kai kiekvienas profilio bruožas yra prognozuotojas, ir regresijos svoriai yra prilyginti kiekvienam prognozatoriui. Žemo profilio balus viename bruože gali kompensuoti aukšto profilio rezultatai kitame bruože.

2. Pasirinkite tuos žmones, kurie turi profilius, turinčius didžiausią vidutinį profilio balą ir kurių taškai yra virš atitinkamų idealių profilių kolegų. Tai, žinoma, yra lygiavertis daugialypės ribinės atrankos metodo ir daugialypės regresijos metodo deriniui.

Idealūs profilio taškai naudojami minimalioms priimtinoms vertėms nustatyti. Visi žmonės, kurie tokiu būdu yra kvalifikuoti, vertinami per daugialypės regresijos sistemą. Tokia procedūra greičiausiai veiks tik tais atvejais, kai atrankos koeficientas yra pakankamai mažas, kad būtų galima taikyti gana griežtas ribines vertes. Žinoma, kiekvienos savybės vidutinis balas sėkmingų darbuotojų grupei yra naudingas, nes minimalios priimtinos vertės sukuria griežtą kliūtį naujiems kandidatams.

Bet kuri iš šių pastarųjų procedūrų atrodo šiek tiek pateisinamas būdas naudoti atrankos profilius nei dvi pirmosios procedūros - D arba r. Sąvoka „idealus“, kuriame nukrypimai nuo bet kokios krypties laikomi blogais, gali būti rimtai apklausti dėl loginių priežasčių.

Kelių kliūčių sistema:

Dauguma atrankos situacijų apima bandymus numatyti vėlesnę sėkmę tam tikroje užduotyje, naudojant vieną ar daugiau nuspėjamų priemonių, gautų paraiškos pateikimo metu. Tačiau kai kurios atrankos situacijos, pvz., Vadovavimo mokymas, apima šiek tiek ilgus laikotarpius ir galutinį vertinimą po ilgų laiko, tačiau atliekant tarpinius vertinimus ar kliūtis įvairiose pažangos srityse.

Apsvarstykite 3.13 pav. Čia pateikiame mokymo programą, kurią didelė korporacija gali naudoti kaip atrankos, mokymo ir naujų kolegijų absolventų įsisteigimo korporacijoje priemonę. Bendrovė iš pradžių samdo tam tikrą skaičių kolegijų absolventų, galbūt naudodama koledžo klases, interviu, rekomendacinius laiškus ir testus kaip priemonę žmonėms pasirinkti. Visiems samdomiems darbuotojams sakoma, kad jų pasirinkimas yra bandomasis ir kad jie bus nuolat vertinami jų mokymo programos metu. Jei mokymas treniruotės metu nėra patenkinamas, jie gali būti atleisti iš programos.

Akivaizdu, kad įmonės interesas yra kuo greičiau priimti teisingą sprendimą dėl kiekvieno asmens. Panašiai ir darbuotojo interesais yra, kad sprendimas būtų priimtas kuo anksčiau. Tačiau laipsnis, kuriuo galima numatyti sėkmę dėl mokymo programos teisingumo (ty galiojimo didėjimas), tuo ilgiau galime stebėti asmens veiklą treniruočių metu. Trečiojo vertinimo laikotarpio pabaigoje tikrai turėtume tiksliau prognozuoti, ar tramvajus sėkmingai baigs kursą, nei galėjome dirbti tuo metu, kai jis buvo samdomas.

Padėtis yra analogiška problemai, pagal kurią numatoma baigti galutinius kolegijų studentus. Akivaizdu, kad iki to laiko, kai studentas pradeda vyresniuosius metus, galima geriau prognozuoti, nei tuo metu, kai patenka į koledžą. 3.14 pav. Iliustruojamas galiojimo pasikeitimas, kurį galima logiškai tikėtis tokioje situacijoje, kaip pavaizduota 3.13 paveiksle.

Tam tikra prasme 3.13 pav. Pavaizduotos situacijos mechanika yra identiška įprastoms daugelio nuspėjamųjų situacijoms: yra daugybė sėkmės prognozatorių, tačiau norint gauti kiekvieną papildomą prognozę, būtina, kad į tą laiką būtų investuojama daugiau laiko ir pinigų. stažuotojas. Sekvenciniai prognozatoriai naudojami keliais būdais.

Dažniausiai naudojamas vienas iš šių metodų:

1. Kiekviename vertinimo etape žmogus turi įveikti didesnį nei minimalų pageidaujamą rezultatą. Taigi kiekvienas etapas tampa kliūtimi, kurią stažuotojas turi aiškiai suprasti, ar jis turi būti laikomas programoje.

2. Sudėtinė daugkartinė regresija apskaičiuojama kiekviename iš eilės įvertinimo taškų, o sėkmės tikimybė apskaičiuojama kiekvienam programoje likusiam asmeniui. Kai tik ši tikimybė nukrenta žemiau tam tikros savavališkos vertės (pvz., 25 proc.), Jis pašalinamas iš programos.

Diapazono apribojimo problema:

Vienas iš sunkumų, atsirandančių sekos atrankos situacijose, yra problema, vadinama „ribos apribojimo“ poveikiu įvertinus galiojimą. Jei mes naudojome prognozę 1, kad pasirinktume žmones iš pradžių, ir tada, jei vėliau apskaičiuojame prognozę I ir kriterijų koreliaciją arba apskaičiuojame koreliaciją tarp kito 2 prognozės ir kriterijaus, įvyko mūsų apskaičiuoti galiojimo koeficientai r _1c arba r _2c. . Iš anksto pasirinkdami apribojome gebėjimų diapazoną (ir todėl prognozuojamus balus), kurie sumažins koreliacijos koeficientą. Iš tiesų, mūsų prognozuotojas 1 veikia panašiai kaip kontrolinis kintamasis daliniame koreliacijoje; kadangi ji jau sudarė dalį dispersijos, koreliacija r _2c bus sumažinta. Norint gauti sąmatą, kas galioja R _2c, galima naudoti korekcijos formulę.