İş Başarısının Tahmini (Diyagram ve İstatistik İle)
İş başarısının tahmini, öngörücünün ölçüt ile ne ölçüde ilişkili olduğunu belirlemeyi içerir. Örneğin, birinin yeni dosya katiplerini işe almak için bir seçim programı oluşturmakla ilgilendiğini varsayalım. Ayrıca, dosya katip verimliliğinin potansiyel bir öngördürücüsü olarak bir yazılı ve kurşun kalemden ibadet kabiliyeti testi kullanmaya karar verildiğini ve bu verimin denetçilerin notlarıyla belirleneceğini varsayalım. Tablo 2.3, bu varsayılan durum için bazı teorik verileri gösterir ve hem büro testinde hem de verimlilik ölçütünde on iki dosya görevlisine puan verir. Şekil 2.5, Tablo 2.3'teki verilerin grafiğini göstermektedir.
Sistematik bir eğilim olduğuna dikkat edin. Genel olarak, büro testinde bir kişi puan kazanırsa, meslek yeterlilik ölçüsü için puan alır. Bu nedenle, test performansı (öngörücü) ve iş yeterliliği (ölçüt) arasında kesin bir ilişki olduğunu söyleyebiliriz. Ayrıca, testten daha yüksek puan alan kişileri seçersek, insanları test puanından bağımsız olarak işe almaktan daha yetkin olan kişileri işe almaya daha uygun olduğumuzu söyleyebiliriz.
İlişki Derecesini Belirlemek:
Herhangi iki değişken arasındaki ilişkinin derecesi, bu iki değişkenin sistematik bir şekilde birlikte değişme derecesi olarak tanımlanabilir. Bunun için teknik terim değişkenler arasında var olan kovaryans derecesidir. Herhangi bir iki puan kümesi arasındaki kovaryans derecesinin resmi bir ölçümü, korelasyon katsayısı olarak bilinen bir istatistik tarafından sağlanır. İki puan kümesi birbiriyle ilişkili olduğunda, birbirleriyle korele olduğunu söylüyoruz. En yaygın korelasyon ölçüsü, r sembolü ile gösterilen Pearson Ürün Moment Korelasyon Katsayısıdır.
Bir ilişki ölçüsü olarak, r + 1.00 ile -1.00 arasında değişmektedir. R + 1.00 olduğunda, iki skor seti pozitif ve birbiriyle mükemmel şekilde ilişkilidir. R -1.00 olduğunda, iki skor seti negatif ve birbiriyle tamamen ilişkilidir. R = 0.00 olduğunda, iki puan kümesinin birbiriyle hiçbir ilişkisi yoktur. Şekil 2.6, r nin farklı büyüklükteki grafiklerini göstermektedir.
İş başarısını öngörmede korelasyon katsayısının işareti önemli değildir, ancak büyüklüğüdür. Mutlak r büyüklüğü arttıkça, yordayıcıdan elde edilen bilgiler temelinde kriter puanlarının tahmini daha iyi olur.
Korelasyonun gerekçesini anlamak için, kovaryansın resimli bir gösterimini ve bunun r ile ilişkisini düşünmek faydalı olabilir. Herhangi bir puan grubunun bir miktar farklılığı olacaktır - aslında, daha önce de gördüğümüz gibi, birçok özellikteki insanların puanları, az sayıda çok yüksek puan, az sayıda çok düşük puan ve çoğu dağılımın ortasında meydana gelen puanların.
Bu farkı, toplam alanın 1.00 olarak tanımlandığı, yukarıda gösterildiği gibi bir dizi kriter puanında temsil ettiğimizi varsayalım. Bunu yapabiliriz, çünkü herhangi bir ham puan kümesini dönüştürmek mümkün olduğundan, az puan dönüşümü olarak bilinen varyansı 1.00'a eşit olur.
Benzer şekilde, değişkenlik gösteren ve normal dağılmış bir dizi yordayıcı puanımız olduğunu varsayalım ve alan yine de 1.00 miktarına eşit olarak tanımlanır. Şimdi r'yi iki puan setinin örtüşme (kovaryansı) miktarıyla ilişkili olarak geometrik olarak temsil edebiliriz.
Bir istatistik olarak r'nin daha kesin bir tanımı, iki değişken arasındaki kovaryans miktarının, aşağıda gösterildiği gibi çizilebilen ilgili varyansların çarpımının kareköküne oranıdır (bazen geometrik ortalama olarak adlandırılır):
Tablo 2.3'de verilen verilere dönersek, bu iki skor seti arasındaki ilişkiyi aşağıdaki formülü kullanarak hesaplamak mümkündür.
Okuyucunun r'nin yüzde olarak yorumlanmaması tavsiye edilir. Eğer r = 0.50 ise, bu kriterdeki varyansın yüzde 50'sinin seçim değişkeninden tahmin edilebilir olduğu anlamına gelmez. Bununla birlikte, r karesi bu şekilde yorumlanabilir. Kare olduğunda 0.50 korelasyonu, seçim değişkeni tarafından tahmin edilen kriterdeki varyansın yüzdesi olarak yorumlanabilecek olan R2 = 0.25'i verir.
İstatistiksel R2 bazen belirleme katsayısı olarak adlandırılır, çünkü ikinci bir değişkendeki puanları bilerek “belirlenebilen” bir değişkendeki varyans miktarını temsil eder. Şekil 2.7, r (ilişkinin ölçüsü) ve r 2 arasındaki ilişkiyi göstermektedir. Oldukça önemli boyutta r elde etmenin mümkün olduğunu ve yine de ölçüt varyansının sadece küçük bir kısmını oluşturduğunu unutmayın.
gerileme:
Görüldüğü gibi, korelasyon katsayısı r iki değişken arasındaki ilişkinin derecesini ölçer. Bununla birlikte, kendi başına, başka bir kümeden bir puan kümesini tahmin edebileceğimiz bir prosedür sağlamaz. Bunun yapıldığı tekniğe regresyon analizi denir. Regresyonun aşağıdaki gibi korelasyonla ilgili olduğu düşünülebilir: Korelasyon, iki değişken arasındaki ilişkinin büyüklüğünü veya derecesini ölçer, regresyon ise sırasıyla tahmin yapmak için kullanılabilecek değişkenler arasındaki ilişki tipini açıklar.
Regresyonu göstermek için, Şekil 2.8a'da çizilen puanları dikkate alın. Açıkçası, bu durumda yordayıcı ile ölçüt arasında önemli bir pozitif ilişki vardır. Maalesef, Şekil 2.8a bize doğrusal bir ilişki olması dışında tam ilişki hakkında herhangi bir bilgi sağlamaz (r, iki değişken arasındaki eğri düzlem ilişkisinin aksine her zaman sadece doğrusallık derecesini ölçer). Bazı seçim cihazlarından ölçüt puanlarını tahmin etmek istiyorsak, öngörücü ve ölçüt arasındaki gözlemlenen ilişkiyi daha spesifik olarak tanımlamamız gerektiği açıktır.
Bu, veri noktalarını en iyi tanımlayan çizgiyi veya işlevi bularak gerçekleştirilir. Buna verilere “en uygun çizgi” denir. İlişkinin doğrusal olduğunu varsaydığımızdan (büyüklüğünü ölçmek için r'yi kullandık), kullandığımız çizginin türü düz olmalıdır, yani eğri çizgilere izin verilmez. Bu en uygun düz çizgi regresyon çizgisi olarak adlandırılır ve kriteri öngörücüden tahmin etmek için kullanılabilir.
Şekil 2.8b, iki farklı kişiden verileri incelemesini istersek ve değişkenler arasındaki eğilimi veya ilişkiyi tanımlamak için en iyi görünen noktalara bir çizgi çizmemiz durumunda elde edilebilecek iki farklı en uygun çizgiyi gösterir. Genel eğilim benzer olsa da, iki kişinin ilişki tahmininde tamamen aynı fikirde olmadığını görüyoruz.
Bu anlaşmazlık daha sonra hangi tahmini regresyon hattının kullanıldığına bağlı olarak öngörülen kriter puanında anlaşmazlıklara yol açacaktır. Seçim belgesinde x puanı olan bir iş başvurusunda bulunursak, ilk kişinin regresyon çizgisini kullanacak olursak, bu başvuru sahibi için y1 ölçüt puanını öngörürüz; Eğer ikinci kişinin regresyon çizgisini kullanırsak, en muhtemel kriter puanı olarak y 2 'yi öngörürüz. Hangi regresyon doğrudur?
Bu, “en uygun” un gerçekten ne olduğuna karar vermek için bir temel olmadığı sürece cevaplanması zor bir sorudur. Neyse ki, istatistikçiler genel olarak en uygun çizginin, noktalardan geçen çizgi olduğunu, böylece Şekil 2.9'da gösterilen çizgiden noktaların kare mesafelerinin (y boyutunda) toplamını en aza indirecek şekilde kabul ettiler.
Σd 2'nin minimize edilmesini sağlayan çizgiye “en küçük kareler” regresyon çizgisi denir. Bu tür regresyon hatları matematiksel olarak doğrudan r ile ilgilidir. Tahmin çizgimizi elde etmek için en küçük kareler yöntemini kullanmak, farklı kişilerin aynı çizgide sonuçlanacağını garanti edecektir (hesaplamada hata yapmadıklarını düşünerek). Benzer şekilde, belirli bir x değeri için öngörülen kriter puanı, tahmin satırına kimin uyduğuna bağlı olarak değişmeyecektir (bkz. Şekil 2.8c).
Bu noktada okuyucu, “Onlara sahipken neden kriter puanlarını tahmin etmemiz gerekiyor?” Diye sorabilir. Cevap oldukça basittir. Öngörücü ile ölçüt arasındaki ilişkinin ölçüsünün ilk ölçümü açıkça iki puan kümesini gerektirir; aksi takdirde ilişki kurulamaz. Seçim cihazının yararlı olduğu kanıtlanırsa, bir yordayıcı puanı alabilecek, ancak bir kriter puanının bulunamadığı tüm yeni başvuru sahipleri ile birlikte kullanılabilir.
Amacımız, gelecekteki başvuru sahiplerinin kriter performansını tahmin etmektir. Eğer yeni bir başvuru sahibi, kriter ile pozitif bir ilişki kurduğu tespit edilen bir testten yüksek puan alırsa, başarılı bir işe alım olma ihtimalinin yüksek olmasını beklemeliyiz.
