Darbo pasirinkimo problemos ir procedūros

Prieš pradedant psichologui prieinamų pagrindinių atrankos modelių tyrimą, reikia trumpai pažvelgti į bendrą daugialypio prognozavimo modelį. Šis modelis paprastai vadinamas daugialypės regresijos modeliu. Bendroje prognozavimo paradigmoje mes sukuriame regresijos liniją, kad tilptų duomenų taškų rinkinys, apibrėžtas žmonių balais dėl prognozatoriaus (x ašies arba abscisės) ir kriterijaus ( y ašis arba ordinatas).

3.1 paveiksle pavaizduota tokia situacija. 3.1 paveiksle esanti regresijos linija yra tiesi linija ir yra tokia, kad „išstumtų atstumų nuo kiekvieno taško iki linijos (einanti lygiagrečiai su y ašimi) suma būtų kuo mažesnė. Mes naudojame geriausia tiesią liniją, nes mes prisiimame linijinį santykį tarp x ir y.

Pagrindinė tiesios linijos formulė yra

y = a + bx

Kur y = prognozuojamas rezultatas pagal kriterijų

a = konstanta, rodanti tašką, kuriame regresijos linija kerta y ašį

b = linijos nuolydis, atstovaujamas ∆y / ∆x, arba y pokytis, nustatytas pagal atitinkamą x pakeitimą

x = prognozuojamas rezultatas

Taigi pasirodo pagrindinis regresijos linijos modelis, kaip parodyta 3.2 paveiksle.

Atkreipkite dėmesį, kad 3.2 pav. Regresijos linija kerta y ašį 2 verte. Taigi a = 2. Taip pat atkreipkite dėmesį, kad kiekvienam 2 vienetų padidėjimui x yra atitinkamas 1 vieneto padidėjimas y. Taigi ∆y / ∆x = 1/2 = 0, 5 = b. Tada tampa regresijos lygtis

y = 2 + 0, 5x

Atsižvelgiant į bet kurią x reikšmę, mes turime regresijos liniją, kuri leidžia mums prognozuoti, ar jis atitinka. Pavyzdžiui, jei x buvo 8, tada

y = 2 + 0, 5 (8)

= 2 + 4

= 6

Apibendrinant: vienintelėje prognozės byloje apskaičiuojamas tiesiai tinkamas tiesios linijos į stebimus taškus, kai terminas „geriausias tinkamas“ reiškia, kad stebimų verčių kvadratinių nuokrypių suma aplink liniją bus minimali.

Formulės, reikalingos a ir b konstantoms apskaičiuoti, kurios apibrėžia šią geriausiai tinkančią liniją, vadinamos „mažiausiai kvadratų“ formulėmis ir yra tokios:

B formulė yra prognozės ir kriterijaus kovariacijos santykis ir bendras prognozuotojo svyravimas. Kai kriterijų dispersijos ir prognozės dispersijos yra lygios, tada b = r, arba regresijos linijos nuolydis yra lygus koreliacijos koeficientui.

Du prognozuotojai:

Yra logiška manyti, kad jei prognozuotojas X1 gali prisidėti prie sėkmingo kriterijų balų prognozavimo ir jei prognozuotojas X2 taip pat gali prisidėti prie sėkmingo kriterijų rezultatų prognozavimo, tada abiejų prognozių naudojimas kartu turėtų sudaryti geresnes bendrą prognozes nei naudojant prognozuoti atskirai. Tačiau laipsnis, kuriuo abu prognozuotojai pagerins nuspėjamumą, priklauso nuo kelių veiksnių, iš kurių svarbiausia yra pačių dviejų prognozių sąsajos.

Apsvarstykite, pavyzdžiui, situaciją, kai du nuspėjamieji iš esmės koreliuoja su kriterijumi, bet nesusiję tarpusavyje taip:

Akivaizdu, kad daugelis papildomų kriterijų dispersijų gali būti paaiškinti naudojant prognozę 2 ir prognozę 1. Bendras dviejų ar daugiau prognozatorių ir kriterijaus santykis vadinamas daugkartine koreliacija ir turi simbolį R. Kaip ir r 2 atveju, R vertė reiškia bendrą kriterijaus dispersijos kiekį, kurį galima paaiškinti naudojant kelis prognozes. Kai prognozuotojai 1 ir 2 nėra tarpusavyje susiję, kvadratinė daugiakalbė koreliacijos koeficientas gali būti įrodyta kaip atskirų kvadratinių koreliacijos koeficientų additinė funkcija, arba

R2 c . 12 = r 2 1c + r 2 2c (3.1)

Taigi, kai (prognozių tarpusavio koreliacija) yra lygi nuliui, daugialypė kvadratinė galia yra atskirų kvadratinių galiojimų suma.

Kai du nuspėjamieji yra tarpusavyje susiję, dalykai tampa šiek tiek sudėtingesni. Apsvarstykite situaciją (kaip ir toliau pateiktoje diagramoje), kur kiekvienas nuspėjamas turi reikšmingą individualų galiojimą, bet kur r 12 taip pat yra gana didelis.

Dėl tarpusavio koreliacijos tarp šių prognozių, diagramoje matyti, kad prognozės 2 ir kriterijaus persidengimo dydis gali būti suskirstytas į dvi dalis: tai sritis, unikali prognozuotojui 2 ir toms sritims, kurios yra bendrinamos su prognozatoriumi. antroji prognozė šioje situacijoje leidžia mums atsižvelgti į didesnį kriterijų dispersiją, nei būtų galima atlikti tik naudojant prognozę 1, bet visas 2-iosios prognozės kriterijus nėra naujas dispersija. Todėl galima teigti bendrą taisyklę dėl daugelio prognozių.

Visi kiti dalykai yra lygūs, tuo didesnė koreliacija tarp prognozuotojų, tuo mažesnė bendroji prognozė bus pagerinta naudojant abu prognozes kartu. Ekstremalus atvejis, be abejo, būtų situacija, kai prognozuotojai buvo visiškai tarpusavyje susiję ir neturėtume papildomo kriterijaus dispersijos, kurią lemtų pridedant prognozės 2 mūsų atrankos akumuliatoriui.

Dviejų nuspėjamųjų, kurie tarpusavyje susiję, atveju, mes galime išreikšti R2 kaip atskirų galiojimų funkciją ir tarpusavio koreliacijos tarp prognozių ir formulės 2 dydį.

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

Atkreipkite dėmesį, kad jei r 12 = 0, tada 3.2 formulė sumažinama iki

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

kuri yra formulė 3.1.

Aiškiau iliustruojantis prognozės tarpusavio koreliacijos įtaką daugialypių koreliacijos koeficientų dydžiui galima gauti iš 3.1 lentelės, kur pateikiami R ir R2 reikšmių pavyzdžiai, skirti prognozių poroms, turinčioms 0, 30, 0, 50 ir 0, 70 patikimumo. hipotetinėmis sąlygomis - 0, 00, 0, 30 ir 0, 60 tarpusavio koreliacijos. 3.3 pav. Pavaizduota bendra tendencija, naudojant 3.1 lentelėje pateiktus duomenis. Psichologo moralė yra gana akivaizdi - venkite naudoti nuspėjamuosius, kurie gali būti labai susiję vienas su kitu.

Prognozavimo lygtys:

Prognozavimo lygtis dviejų prognozių situacijoje yra vieno nuspėjamojo modelio išplėtimas. Bendra lygties forma yra

y = a + b 1 x 1 + b 2 x 2 (3.3)

Tai yra plokštumos lygtis, o ne tiesi linija. Skaitytojui, susipažinusiam su geometrija, 3.4 paveiksle pateikiamas trimatis ryšių tarp kintamųjų x 1, x 2 ir y, atitinkantis 3.3 lygtį, brėžinys. Galimos formulės, leidžiančios apskaičiuoti a, b konstantas ir dėl to atsiras geriausia sureguliavimo plokštuma. Nustačius šias konstantas, gauta lygtis gali būti panaudota naujų darbo pareiškėjų kriterijaus veiklos prognozėms atlikti, atsižvelgiant į jų balus atskiruose prognozuosiuose.

Norint iliustruoti, tarkime, kad yra duomenų apie 100 vyrų, pasamdytų darbui X tam tikro mėnesio metu, į kuriuos įtraukiami dviejų testų balai ir po šešių mėnesių laikotarpio kriterijų duomenys. Šiuos duomenis galima analizuoti, kad būtų galima nustatyti a, b 1 ir bi reikšmes, kurios geriausiai apibūdina kintamųjų ryšius.

Tarkime, kad galutinis rezultatas buvo ši lygtis:

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

Šioje lygtyje teigiama, kad labiausiai tikėtinas kriterijaus balas bet kuriai naujai nuomai bus lygus pusei savo balų 1 teste ir devyni dešimtadaliai jo rezultato 2 testo plius du. Taigi, jei naujasis pareiškėjas 1 ir 30 testus įvertintų 20 testo 2 testą, jo numatomas kriterijų atlikimas per šešis mėnesius nuo nuomos laiko bus

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

= 2 -t-10 + 27

= 39

Dviejų nuspėjamojo modelio išplėtimas į k-prognozės modelį, kur k yra tam tikras didelis potencialaus darbo sėkmės skaičiavimas, koncepcijos požiūriu nėra pernelyg sudėtinga. Mūsų modelis plečiasi į formą

y = a + b 1 x 1 + b 2 x 2 + b 3 x 3 +… + b k x k (3.5)

Tačiau skaičiavimo procedūros, skirtos visų lygių mažiausiai kvadratinių reikšmių sprendimui tokioje lygtyje, tampa gana sudėtingos, nebent yra kompiuterinės įrangos. Skaitytojui taip pat įspėjama, kad visose ankstesnėse diskusijose buvo netiesioginė, prielaida apie linijinį pasaulį, ty visi kintamųjų porų santykiai yra linijiniai. Siekiant išvengti šios prielaidos, galima modifikuoti daugialypės regresijos modelį, tačiau tai nepatenka į šios knygos taikymo sritį.

Moderatoriai:

Viena iš svarbesnių atrankos ir įdarbinimo teorijos sąvokų yra moderatoriaus kintamojo sąvoka. Kartais vadinamas populiacijos kontrolės kintamuoju, moderatoriaus kintamasis gali būti vertinamas kaip bet kuris kintamasis, kuris sistemingai kinta, turi įtakos dviejų ar daugiau kitų kintamųjų santykio dydžiui.

Galbūt hipotetinis pavyzdys (3.15 pav.) Apie tai, kaip moderatorius gali veikti, parodys jo įtaką atrankos procesui. Viršutinė sklaida parodo bendrą 0, 50 galiojimą tarp prognozės ir kriterijaus. Tačiau sklaidos sklype atstovaujama „populiacija“ yra tokia, kurioje yra abiejų lyčių, t. Y. Abu vyrai ir moterys yra sugrupuoti nustatant galiojimą. Net atsitiktinis viršutinio sklaidos sklypo patikrinimas rodo, kad (jei vyrai ir moterys yra koduojami skirtingai, kaip tai buvo padaryta čia), kad vyrams pastebėtas balų modelis skiriasi nuo moterų stebimų rezultatų.

Norėdami gauti aiškesnį vaizdą apie tai, kaip jie skiriasi, du žemesni sklaidos sklypai 3.15 paveiksle parodo prognozuojamų kriterijų santykius atskirai vyrams ir moterims. Dabar skirtumas yra ryškus. Vyrams stebime aukštus teigiamus santykius - tai yra 0, 80 galiojimo trukmė. Kita vertus, moterims matome, kad beveik nėra jokio ryšio tarp prognozuotojo ir kriterijaus. Moterims galioja 0, 05.

Moderatoriaus kintamasis pirmiau pateiktame pavyzdyje, žinoma, yra sekso kintamasis. Ryšį tarp prognozuotojo ir kriterijaus drastiškai veikia moderatoriaus keitimas. Klausimas „kas yra mano prognozuotojo galiojimas“ aiškiai tampa sudėtingesnis. Tai, kas iš pradžių pasirodė esanti vidutiniškai garbinga, dabar tapo dviem gana skirtingais ir atskirais galiojimais - vienas labai aukštas ir vienas labai žemas.

Vienas šių pastarųjų galiojimo pavadinimų pavadinimas gali būti sąlyginis galiojimas, ty prognozuotojo galiojimas, atsižvelgiant į tai, kad gyventojų grupę sudaro moterys arba atsižvelgiant į tai, kad gyventojus sudaro vyrai. Įdomus moderatoriaus kintamųjų bruožas yra tas, kad moderatorius neturi turėti jokio tiesioginio ryšio nei su prognozuojamu, nei su kriterijumi kintamuoju (ty r ym ir r im = 0).

Moderatorių pavyzdžiai:

Faktiniai moderatorių pavyzdžiai aptikti daugelyje tyrimų tyrimų. Vroomas (1960 m.), Pavyzdžiui, nustatė, kad moderatoriaus efektai yra gana reikšmingi, kai vadovų ir pirmojo lygio vadovų motyvacija yra moderuojantis kintamasis. Visi studijavę vyrai buvo Čikagos ar Niujorko nacionalinio pristatymo paslaugų įmonės darbuotojai, kurie specializuojasi mažų pakuočių ir siuntų pristatyme iš departamentų ir kitų mažmeninės prekybos parduotuvių į privačias rezidencijas. Tyrimo duomenys, geriausiai atspindintys moderatoriaus koncepciją, pateikti 3.4 lentelėje.

Visi jų vadovai buvo suskirstyti į tris grupes, remiantis jų įvertintu motyvacijos laipsniu, naudojant kelis tyrime gautus motyvacijos indeksus. Tuomet buvo gautos nežodinio motyvavimo testo galios kiekvienam iš šių keturių skirtingų šių vyrų priežiūros reitingų tipų.

Tai buvo padaryta atskirai kiekvienu motyvacijos lygiu. Kaip parodyta 3.4 lentelėje, tyrimas, matyt, buvo gana galiojantis prognozuotojas, kaip vyriausiasis žmogus būtų vertinamas jo vadovo, jei būtų atsižvelgta tik į vyrus, turinčius didelę motyvaciją. Jei sistemingai keičiame motyvaciją, pereinant prie grupių, turinčių tik vidutinio ar žemo motyvacijos lygius, matome atitinkamą sistemingą pokyčio santykį tarp testo ir kriterijaus. Kuo mažesnė darbuotojo motyvacija, tuo mažiau iš tikrųjų yra prognozuotojo galiojimas, netgi mažos motyvacijos grupėms galiojimas tampa neigiamas.

Kiti moderatorių pavyzdžiai pateikiami Dunnette ir Kirchner (1960) ir Ghiselli ir jo kolegų tyrimuose (1956, I960). Dunnette ir Kirchner darbas pirmiausia buvo skirtas nustatyti su darbu susijusius moderatorius, kurie grupuoja žmones į darbo vietas, kurios yra panašios pagal savo pareigas, kad kiekvienoje darbo grupėje būtų galima gauti maksimalią prognozę.

„Ghiselli“ metodas gali būti vadinamas „kintamo laisvo“ moderatoriaus sistema. Žmonės yra suskirstyti į grupes, remiantis tik tuo, kaip jų sėkmė gali būti prognozuojama be jokios tiesioginės nuorodos į išorinį kintamąjį. Fredericksen ir Gilbert (I960) taip pat atliko tyrimus su moderatoriais, kad nustatytų, kiek moderatoriaus poveikis greičiausiai bus nuoseklus. Jie nustatė, kad moderatorius, nustatytas 1954 m. Tyrime (Fredericksen ir Melville, 1954), vis dar veikė pagal I960 stebėseną.

Šiuolaikinė ir tradicinė atrankos teorija:

Moderatoriaus kintamojo koncepcija, galbūt, geriausiai atspindi modemo tendenciją atrankos ir vietos nustatymo srityje. Tradiciškai atranka ir patvirtinimas buvo problemos, kurios buvo laikomos geriausiai išspręstomis, paprasčiausiai nustatant patikimą kriterijų ir prognozę, kuri geriausiai galėtų numatyti šį kriterijų.

Daugiausia dėmesio buvo skiriama tam, kad būtų sukurtas didelis galiojimas, mažai ar visai nesvarstyta, kaip ištirti daugelį papildomų kintamųjų, kurie, kai jie buvo įvairūs, gali pridėti ar atimti iš gautos koreliacijos. Bendras šūkis, kuris pernelyg dažnai parodė atrankos metodiką, buvo šūkis „Jei jis veikia, naudok jį!“

Be abejo, ši politika buvo atsakinga už gana skirtingus pramonės psichologijos pokyčius. Pirma, tai tikriausiai prisidėjo prie to, kiek psichologai buvo priimami į pramonę. Valdymas paprastai yra orientuotas į teigiamus rezultatus, kuriuos rodo geresnis pasirinkimas, ir nėra pernelyg susirūpinęs, kaip jis yra pasiekiamas.

Deja, ši orientacija taip pat tikriausiai yra atsakinga už tai, kad prognozavimo patikimumas per pastaruosius 50 metų iš esmės nepadidėjo (nors ir apskritai) - tai gana nerimą keliantis komentaras apie tokio tipo darbą atliekančių psichologų pastangas.

1955 m. Atliktoje daugelio galiojimo tyrimų apžvalgoje Ghiselli (1955) nurodė, kad iš tikrųjų neįprastas įvykis yra 0, 50 ar geresnis galiojimo koeficientas. 3.16 pav. Pateikiami Ghiselli pateikiami įvairių dydžių galiojimo koeficientų skirtingų tipų darbų dažnio pasiskirstymai. Atkreipkite dėmesį, kad tik skirstant patikimumo patikros darbuotojams, naudojantiems žvalgybos testus kaip prognozes ir kvalifikacijos priemones, kaip kriterijus, yra daug galiojimų, viršijančių 0, 50.

Dabartinis susidomėjimas moderatoriais atstovauja platesniam ir šiek tiek sudėtingesniam požiūriui į atranką. Galima atsekti, kada Toopsas (1948 m.) Paragino psichologus apsvarstyti galimybę, kad stratifikuojant žmones (pvz., Darbuotojus) sistemingai pagal asmeninius kintamuosius, reikėtų sugebėti pagerinti prognozavimą. Jo klasifikavimo metodas, kurį jis vadino papildymo procedūra, yra moderatorių pirmtakas.

„Dunnette“ pasirinkimo modelis:

Galbūt dabartinį požiūrį į atrankos metodiką geriausiai gali parodyti Dunnette (1963) pasiūlytas atrankos modelis. Šis modelis pateikiamas 3.17 paveiksle pateiktoje diagramoje ir yra skirtas atkreipti dėmesį į atrankos situacijoje esančių sudėtingumo ir tarpusavio ryšių labirintą. Modelis gali būti vertinamas kaip daugiau nei bandymas tik atkreipti dėmesį į dinamišką atrankos pobūdį - tai taip pat yra pagrindas psichologams pasinaudoti šiomis dinamikomis ir panaudoti juos kuo geriau, siekiant pagerinti nuspėjamumą.

Galima suprasti modelio vaizduojamą požiūrį pagal tikslų Dunnette aprašą (1963, p. 318):

Atkreipkite dėmesį, kad modifikuotas prognozavimo modelis atsižvelgia į sudėtingas sąveikas, kurios gali atsirasti tarp prognozuotojų ir įvairių prognozių derinių, skirtingų asmenų grupių (ar tipų), skirtingo elgesio darbe ir šių elgesio pasekmių organizacijos tikslams. . Šis modelis leidžia numatyti, kad nuspėjamieji yra skirtingai naudingi numatant skirtingų asmenų pogrupių elgesį.

Be to, tai rodo, kad panašus darbo elgesys gali būti nuspėjamas gana skirtingais sąveikos modeliais tarp prognozuotojų ir individų grupių arba netgi tuo, kad tas pats našumo lygis prognozuotojams gali lemti skirtingus skirtingų asmenų darbo elgesio modelius. Galiausiai, modelis atpažįsta erzinančią tikrovę, kad tas pats ar panašus darbo elgesys, praeinantis per situacinį filtrą, gali sukelti gana skirtingas organizacines pasekmes.

Dabartinė atrankos tendencija, kurią atspindi moderatorių suvokimas ir „Dunnette“ atrankos modelis, turėtų paskatinti didesnį atrankos efektyvumą ir tikslios prognozės dinamikos supratimo laipsnį.

Slopintuvai:

Nėra jokios diskusijos dėl atrankos, jei nebūtų paminėta slopintųjų kintamųjų. Viena prasme slopintuvo kintamasis yra panašus į moderatoriaus kintamąjį, nes jis yra apibrėžiamas kaip „kintamasis, kuris gali turėti įtakos tam tikro prognozės-kriterijaus santykio dydžiui, nors jis turi mažą ryšį su paties kriterijaus kintamuoju. „

Slopintuvo kintamojo dinamika prognozėje geriausiai gali būti suprantama peržiūrint dalinės koreliacijos ir su ja susijusios priemonės, pusiau dalinės koreliacijos sąvoką.Jei vienas turėjo du prognozes ir kriterijų, kurie buvo tarpusavyje susiję, kaip parodyta čia, dalinis koreliacijos tarp kriterijaus ir prognozatoriaus x, kuris yra r 1c. 2, buvo apibrėžiamas kaip koreliacija tarp x 1 ir C po to, kai x2 poveikis buvo išskaidytas iš abiejų, taip

Tarkime, mes tik norime pašalinti X2 poveikį nuo kriterijaus prieš skaičiuojant koreliaciją. Tokia koreliacija vadinama pusiau daline arba daline koreliacija. Pvz., Galbūt jus domina sąsaja tarp žvalgybos testų rezultatų (mūsų prognozavimo x 1 ) ir galutinio įgūdžių lygio rašymo mokymo programos pabaigoje (kriterijus) x 2 gali atspindėti visų darbuotojų pradinį įgūdžių lygį pagal jų spausdinimo greitis prieš pradedant mokymą. Taigi, norėdami apskaičiuoti mūsų žvalgybos testo pagrįstumą, mes norime pašalinti pradinio įgūdžių lygio poveikį galutiniam rezultatui.

Mūsų pusiau dalinė koreliacija dabar tampa:

Slopintuvo kintamojo mechanizmas yra identiškas aukščiau nurodytam mechanizmui, išskyrus (1), kintamasis x 2 yra tik nedidelis (jei toks yra) ryšys su kriterijumi ir (2) yra suinteresuotas pašalinti jos efektus iš nuspėjamojo x 1 .

Todėl bendroji situacija gali būti schemuota kaip:

Visiškai neaišku, ar dalinės ar pusiau dalinės koreliacijos bus didesnės arba mažesnės už paprastą koreliaciją tarp kintamųjų, nes skaitiklių ir vardiklio dydį įtakoja dalinis procesas. Vienintelis laikas, kai tai nėra, yra tada, kai kintamasis iš dalies yra susijęs tik su vienu iš dviejų kitų kintamųjų, kaip ir slopintuvo atveju. Esant tokiai padėčiai, vėliau paveikiamas tik vardiklis (pašalinama dispersija) ir gaunama pusiau dalinė koreliacija yra didesnė už paprastą ir dalinę koreliaciją tarp kintamųjų.

Kryžminis patvirtinimas:

Vienas iš daugelio daugelio prognozavimo atrankos sistemų bruožų yra tas, kad jų kūrimo metu paprastai paprastai pasinaudojama galimybe, kuri egzistuoja darbuotojų atrankoje, kuri naudojama patvirtinimo tikslais. Tai ypač pasakytina apie daugialypės regresijos modelį, tačiau taip pat taikoma ir daugialypei ribojimo procedūrai. Kadangi daugialypės regresijos modelis turi mažiausiai kvadratinių savybių, ty sąmoningai sumažiname klaidas prognozuodami konkretų mėginį, tikėtina, kad jei dabar taikysime savo lygtį naujam mėginiui (iš tos pačios populiacijos), negalime rasti mūsų prognozės taip pat veiksmingas kaip ir anksčiau.

Taigi, mūsų apskaičiuotasis R 2 yra pervertintas, koks yra būsimos mūsų prognozavimo sistemos galiojimas, nes mūsų lygties naudojimas prognozavimui automatiškai reiškia, kad jis taikomas naujiems darbuotojų pavyzdžiams. Šis tikėtinas R2 sumažėjimas yra žinomas statistikoje kaip susitraukimo problema ir geriausiai gali būti parodytas nagrinėjant 3.18 pav.

3.18 pav. Turime du atskirų asmenų pavyzdžius. Kiekvienas iš jų yra atsitiktinis mėginys, paimtas iš tos pačios populiacijos ar priklausantis tai pačiai grupei. Pavyzdžiui, A pavyzdys gali atstovauti visiems darbo ieškantiems asmenims X darbo vietose nelyginiais mėnesiais, o B pavyzdys gali atstovauti visiems darbo pareiškėjams per vienodus mėnesius tam tikrais metais.

Būtų labai neįprasta, net jei kiekviename pavyzdyje būtų labai daug pareiškėjų, kad šie du pavyzdžiai būtų vienodi pagal sklaidos sklypus. Kadangi tikimasi, kad jų sklaidos sklypai gali skirtis dėl atrankos paklaidos, galima tikėtis, kad koreliacija tarp prognozuotojo ir kriterijaus (galiojimo) šiek tiek kinta, kaip ir regresijos lygtis, apskaičiuota kiekviename mėginyje.

Tarkime, mes paėmėme regresijos lygtį, apskaičiuotą pagal A pavyzdį, ir naudojome ją prognozuoti balų iš B. pavyzdžio. Akivaizdu, kad negalėjome atlikti tokio gero darbo, kad sumažintume A eilutę su B pavyzdžiu, kaip galėjome naudoti B regresijos liniją, galų gale, B eilutė pagal apibrėžtį sumažina izesd 2 šiam mėginiui. Todėl bet kokia kita eilutė turės didesnę klaidą, susijusią su juo. Taigi R2 turi būti atitinkamai sumažintas.

Yra formulių, galinčių įvertinti susitraukimo dydį, kurį galima tikėtis naudojant šią lygtį naujame pavyzdyje. Viena tokia formulė yra

R28 = 1 - [(1 - R2) n-1 / n - k - 1]

Kur

R2 = susitraukė daugiafunkcinė koreliacija

R2 = daugkartinė koreliacija, gauta iš patvirtinimo mėginio

n = patvirtinimo imties asmenų skaičius

k = prognozių skaičius regresijos lygtyje

Vis dėlto geriausia lyginti lygtį, gaunant antrą pavyzdį ir išbandant ją, kad pamatytumėte, kaip gerai ji prognozuoja. Jei atrodo, kad yra labai didelis kritimas, gali tekti persvarstyti lygtį (galbūt derinant abi grupes vienoje grupėje). Didžiausias susitraukimas dažniausiai randamas, kai imties dydis yra mažas ir (arba) prognozių skaičius yra didelis, palyginti su imties dydžiu.

Mosieris (1951) aptarė daugybę kryžminio patvirtinimo tipų, kurie gali būti atliekami priklausomai nuo tyrimo plano ir ar yra susirūpinęs dėl bendro apibendrinimo tik naujam mėginiui, ar pageidautina platesnių apibendrinimo sutapimo mirties prognozavimo lygtis (pvz., skirtingoms lytims, skirtingiems kriterijams ir tt). Pirmasis vadinamas galiojimo apibendrinimo atveju; pastarasis yra galiojimo pratęsimo atvejis. Žinoma, pastaruoju atveju tikimasi didesnio susitraukimo, o galiojimo apibendrinimo atvejais taikoma 3.9 formulė.