Voorspellingssystemen voor het nemen van werkgelegenheidsbeslissingen

Het typische voorspellingsprobleem, of het nu om selectie, plaatsing of beide gaat, is het gebruik van een aantal voorspellers. Deze voorspellers worden op de best mogelijke manier gebruikt als leidraad bij het nemen van een beslissing over werk. Er zijn beslissingen zoals "moet hij worden ingehuurd voor deze baan?" Of "moet ze naar dit trainingsprogramma worden gestuurd?" Er zijn verschillende strategieën die de psycholoog kan nemen in termen van zijn benadering van het besluitvormingsproces. Afhankelijk van het specifieke voorspellingssysteem dat is aangenomen, kunnen beslissingen over tewerkstelling heel anders uitvallen.

Hoewel elk systeem zijn eigen voor- en nadelen heeft, biedt elk systeem een methode om beslissingen te nemen over mensen op basis van een groep eigenschappen of kwaliteiten (de voorspellers) die relevant worden geacht voor het succes van een baan.

De belangrijkste systemen zijn:

(1) Het meervoudige regressiesysteem,

(2) Het meervoudige afsluitsysteem,

(3) Het systeem voor het matchen van profielen, en

(4) Het meervoudige hindernissysteem.

Elk systeem zal in de volgende secties in meer detail worden onderzocht.

Meervoudig regressiesysteem:

Zoals de naam aangeeft, maakt dit plaatsingssysteem gebruik van het meervoudige regressiemodel voor het nemen van beslissingen over individuen. Het meervoudige regressiemodel heeft de vorm y = b ₁ x ₁ + b ₂ x ₂ (neem aan a = 0) (3.6)

Het gebruik van een dergelijk model in de selectie gaat ervan uit dat (1) de eigenschappen x ₁ en x ₂ lineair gerelateerd zijn aan criteriumprestaties, en dat (2) het bezit van een "partij" van een van de eigenschappen compenseert voor het hebben van slechts een "kleine" "Van de tweede eigenschap.

Gegeven een situatie, bijvoorbeeld bi = 2 en b ₂ = 4 en a = 0, de formule y = 2x ₁ + 4x ₂ (3.7)

zou worden gebruikt voor het voorspellen van banenucces. Stel dat een criterium score van 50 zou kunnen worden beschouwd als een bevredigende prestatie van de werknemers en al het andere resulteerde in een niet-bevredigende prestatie. Tabel 3.2 toont enkele testscores op de twee voorspellers voor vier theoretische sollicitanten. De voorspelde criteriascore voor elke aanvrager is ook berekend met behulp van vergelijking 3.7. Merk op dat alle vier de aanvragers exact dezelfde voorspelde criteriumprestatie hebben, hoewel hun testscorepatronen tamelijk opvallend verschillen. Als we van persoon A naar persoon D gaan, zien we dat hun scores op test 2 systematisch afnemen.

Deze daling wordt echter gecompenseerd door een overeenkomstige toename in test 1-prestaties. In feite zal een nauwkeurige inspectie aantonen dat een winst van twee punten op test 1 noodzakelijk is om het verlies van elk punt op test 2 te compenseren. Dit zou niet verrassend mogen zijn, omdat het relatieve gewicht dat wordt gegeven aan test 2 twee keer zo hoog is als aan test 1 in ons regressiemodel (dwz b ₁ = 2, b ₂ = 4).

Figuur 3.5 toont nog duidelijker de dynamiek van het selectieproces gemaakt door de gegevens in Tabel 3.2. De omhullende van scores die in de spreidingsdiagram van figuur 3.5 wordt getoond, presenteert een situatie waarin de twee voorspellers van prestaties, x ₁ en x ₂, positief gecorreleerd zijn. Als de correlatie r12 nul was, zou de spreidingsdiagram natuurlijk een cirkel zijn.

De vorm van de scatter-plot is echter niet kritisch voor het trade-off-concept dat inherent is aan het meervoudige regressiesysteem. Aangezien we hebben gezegd dat elke persoon met een voorspelde score van 50 of beter als "voldoende" moet worden beschouwd, kunnen we de "50-puntslijn" in figuur 3.5 plotten, die alle mogelijke combinaties van test 1 en test 2 scores toont die zullen resulteren in een criteriascore van exact 50 punten met behulp van vergelijking 3.7. Zoals de figuur aangeeft, liggen alle vier aanvragers langs deze lijn.

Een interessant aspect van figuur 3.5 is dat de lijn de populatie van sollicitanten verdeelt in twee groepen of regio's. Alle aanvragers rechts en boven de lijn zullen criteriumscores hebben (met behulp van vergelijking 3.7) die hoger zijn dan 50. Alle aanvragers links en onder de lijn zullen criteriumscores hebben van minder dan 50. Aldus zullen alleen de eerstgenoemde worden geaccepteerd voor werk omdat wordt voorspeld dat hun prestaties bevredigend zullen zijn.

De laatste aanvragers, met voorspelde prestaties minder dan bevredigend, zullen met dit selectiesysteem worden afgewezen. Figuur 3.6 breidt Figuur 3.5 uit in drie dimensies, die de waargenomen criteriumscores en de voorspellingsscores voor alle individuen weergeven.

Het is belangrijk op te merken dat het vlak in figuur 3.6 dat de werknemers verdeelt in diegenen die zouden worden geselecteerd met behulp van het meervoudige regressiemodel gegeven door vergelijking 3.7 en degenen in afwijzing niet het regressievlak zijn. Het wordt beter het selectievlak genoemd. De lezer wordt terugverwezen naar figuur 3.4 voor een illustratie van het regressievlak in een twee-voorspeller meervoudig regressiesysteem.

Aannames, voordelen en nadelen van multiple-regressiesysteem:

Het meervoudige regressie voorspellingssysteem is een krachtige selectieprocedure wanneer het op de juiste wijze wordt gebruikt. Mits de basisveronderstelling dat alle relaties lineair zijn, waar is, heeft het een mathematische elegantie die moeilijk te overschrijden is. Men weet bijvoorbeeld dat het model de voorspellingsfouten minimaliseert. Een ander voordeel van dit systeem is dat voorspellers worden gecombineerd om de meest efficiënte schatting van de daaropvolgende prestaties te verkrijgen.

Een van de belangrijkste punten van controverse met betrekking tot het meervoudige regressiemodel heeft betrekking op het inruilprincipe dat zo impliciet is in het gebruik ervan. Of X-eenheden van één variabele kunnen worden vervangen door X-eenheden op een andere variabele is altijd een moeilijke vraag. Zeker, de methode kan zeer flexibel zijn. Het is mogelijk om vergelijkingen in te stellen voor elk van een aantal taken met dezelfde of verschillende voorspellers. Dientengevolge kunnen voorspelde scores worden berekend voor elke persoon voor elke taak.

Mensen kunnen vervolgens worden ingehuurd en op een specifieke taak worden geplaatst met behulp van een of meer van de volgende procedures:

1. Plaats elke persoon op die taak waarvoor de voorspelde score het hoogst is. Dit veronderstelt dat de organisatie het meest zal profiteren als elke persoon wordt geplaatst waar hij de meeste aanleg heeft, ongeacht het absolute bedrag van die aanleg. Als er geen functies open staan in die functie, wordt hij geplaatst op een andere baan waarvoor hij de tweede "beste criteriascore" heeft gekregen.

Een probleem met een dergelijke procedure is dat het mogelijk is dat de banen zelf verschillende minimumvereisten voor succes hebben. Het kan dus voorkomen dat zijn beste score (voorspelde prestatie voor baan A) mogelijk niet voldoende is voor voorspeld succes op baan A, terwijl zijn op één na beste score (voorspelde prestatie op baan B) mogelijk veel hoger is dan de waarde die nodig is om succes te voorspellen op taak B.

2. Plaats elke persoon op die baan waar zijn voorspelde score het verst ligt boven de minimumscore die nodig is om als bevredigend te worden beschouwd. Deze methode houdt zich meer bezig met de totale efficiëntie van het systeem dan met de mate waarin elke persoon op het werk wordt geplaatst dat hij het best kan uitvoeren. Het vermijdt iemand op een baan te plaatsen waar zijn prestaties onder de maat zijn.

Meervoudige afkortsystemen:

Bij de bespreking van het meervoudige regressiesysteem werd duidelijk aangegeven dat het gebruikte model lineaire relaties veronderstelt tussen de voorspellers en het criterium. Een dergelijk systeem wordt vaak bezworen op basis van het feit dat hoewel voor veel eigenschappen er een lineair verband kan zijn tussen voorspeller en criterium over het grootste deel van het bereik, er een minimale acceptabele hoeveelheid van deze eigenschap kan zijn die nodig is om succesvol te zijn werker. Dit soort verband tussen werkprestaties en test wordt getoond in figuur 3.7.

De voorspeller-criteriumfunctie in Figuur 3.7 laat zien wat er gebeurt als men aanneemt dat:

(1) Er is een minimale hoeveelheid voorspellend vermogen (eigenschap X) die nodig is voor het succes van een baan, en

(2) Elk gebrek of tekort aan eigenschap X onder dit minimum kan niet worden gecompenseerd door een groot deel van een ander vermogen te hebben waarvan ook is aangetoond dat het werksucces voorspelt.

Een voorbeeld van een dergelijke situatie kan een montageopdracht zijn die zowel een goed zicht als handvaardigheid vereist. Over het algemeen kan men vaststellen dat hoe beter de visie van een werknemer is en hoe beter zijn behendigheid, des te succesvoller die werknemer doorgaans op het werk is. Er kan echter een punt zijn langs de dimensie van de visie waarboven geen enkele mate van behendigheid zou helpen.

De selectie- en plaatsingsprocedure die rekening houdt met dit probleem van minimaal aanvaardbare waarden wordt de meervoudige afkapmethode genoemd, wat betekent dat voor elke voorspeller een afkapwaarde apart wordt vastgesteld. Tenzij een persoon een score boven de cut-off op alle voorspellers voor een bepaalde baan heeft, zal hij niet op die baan worden geplaatst.

Er bestaat dus geen concept van additieve eigenschappen bij deze methode. Vallen onder het minimum op enige voorspeller zal het individu diskwalificeren. Figuren 3.8 en 3.9 tonen de gebieden van aanvaarding en afwijzing gebruikmakend van het meervoudige afsluitsysteem voor gegevens soortgelijk aan die gebruikt om het meervoudige regressiesysteem in figuren 3.5 en 3.6 te illustreren.

Misschien is de beste manier om de twee methoden te vergelijken, om aan te geven hoe ze verschillen in termen van wie voor de taak wordt geselecteerd. Figuur 3.10 toont de grenslijnen voor beide selectiemethoden. Merk allereerst op dat, ongeacht de gebruikte methode, die mensen in gebied 7 altijd zullen worden geaccepteerd en dat die mensen in gebieden 1, 3 en 5 altijd zullen worden afgewezen. De mensen die anders worden behandeld als een functie van de selectieprocedure zijn die in de gebieden 2, 4 en 6.

Met behulp van het meervoudige regressieselectiesysteem worden alle mensen in de gebieden 2 en 6 geaccepteerd, terwijl die in gebied 4 worden afgewezen. Het omgekeerde zal gebeuren met behulp van de meervoudige afkapprocedure; de mensen in gebied 4 worden geaccepteerd en degenen in gebieden 2 en 6 worden afgewezen. De vraag komt dus neer op een van de relatieve wenselijkheid van deze twee groepen individuen.

De oplossing is mathematisch ingewikkeld en door Lord (1963) is aangetoond dat deze in de eerste plaats een functie is van de betrouwbaarheid van de twee voorspellers. In de meeste omstandigheden biedt waarschijnlijk geen van beide procedures de beste oplossing bij het selecteren van die groep werknemers met de hoogste gemiddelde criteriumscore. In plaats daarvan lijkt de optimale selectiestrategie een vorm van compromis tussen de twee methoden (zie de stippellijn in figuur 3.10).

Bepalende snijscores:

Als One de meervoudige snij score techniek gebruikt, wordt het noodzakelijk om te beslissen over de afzonderlijke minimum acceptabele scores voor elk van de voorspellers. Dit is geen gemakkelijke taak, omdat er geen specifieke "correcte" manier is om een score in te stellen waaronder alle mensen gediskwalificeerd worden. De relaties die betrokken zijn bij de selectieratio en het percentage medewerkers dat als voldoende wordt beschouwd (de knipscore), zal hij beginnen te zien hoe complex het probleem is wanneer twee voorspellers betrokken zijn.

Over het algemeen wordt het proces van het instellen van de snijscore-waarden er een van vallen en opstaan waarin verschillende waarden voor elke voorspeller worden geprobeerd. Voor elk paar snijscores moet de onderzoeker bepalen hoe hoog de gemiddelde of samengestelde criteriumscore van de geselecteerde is ten opzichte van andere combinaties van snijuitslagen. Hij moet ook rekening houden met het aantal vacatures met betrekking tot het totale aantal aanvragers (de selectieverhoudingsmaat).

Aannames, voordelen en nadelen van meerdere scorescores:

Om bovenstaande punten samen te vatten, gaat de methode van het snijden van scores echt uit van een niet-lineaire relatie tussen voorspellers en criterium. Ten tweede verwerpt het het concept van substitutie van testscores, althans in bepaalde delen van het bereik. Het enige duidelijke voordeel is dat het meestal een gemakkelijke methode is om door de personeelsman te implementeren, omdat er geen ingewikkelde berekeningen of formules nodig zijn.

Zoals eerder vermeld, is echter een zekere mate van vallen en opstaan nodig om snijscores te krijgen die op de meest bevredigende manier werken. Een van de meer kritische nadelen is dat het geen enkele score voor elk individu oplevert die kan worden gebruikt om te voorspellen hoe succesvol hij zal zijn op één baan in verhouding tot zijn succes in een andere baan. Zo kan het daadwerkelijk plaatsen van een baan via snijscores buitengewoon omslachtig worden.

Profiel Matching Systeem:

Een derde benadering van werknemersselectie en -plaatsing is het profielafstemmingssysteem. Er zijn talloze versies van deze methode die voornamelijk verschillen in de manier waarop profielen worden vergeleken. De resterende aspecten van de procedure zijn echter nogal onveranderlijk van versie tot versie. De methode zelf is vrij eenvoudig. Als er k variabelen (voorspellers) zijn die worden geaccepteerd als belangrijk voor succes op het werk, dan meet men alle "succesvolle" werknemers op het werk op elk van deze k-voorspellers. De scores worden vervolgens gemiddeld om een "typisch" profiel van een succesvolle werknemer te verkrijgen. Een hypothetisch typisch profiel wordt getoond in figuur 3.11.

In dit voorbeeld zijn tien voorspellers gebruikt om de typische succesvolle werknemer op baan A te beschrijven. Uit de gegevens blijkt dat een succesvolle werknemer op baan A hoge scores (ten opzichte van andere werknemers) heeft op variabelen 2, 3, 5, 6 en 8. Zijn scores op variabelen 1, 4, 7, 9 en 10 verschillen niet veel van de gemiddelde prestaties van werknemers in het algemeen. Zodra dit soort ideale profiel is verkregen, wordt het vervolgens gebruikt als een standaard waarmee de individuele profielen van alle nieuwe aanvragers worden vergeleken.

Op dit moment ontstaan er twee vrij belangrijke vragen in de profielmethode. Ten eerste, hoe bepaal je welke voorspellers relevant zijn, welke, welke in het profiel moeten worden opgenomen? Ten tweede, op welke manier kan, op basis van het feit dat de profielelementen met succes zijn geselecteerd, worden beoordeeld in hoeverre het profiel van een persoon overeenkomt met het ideale profiel? De manier waarop deze twee problemen zijn opgelost, kan de uiteindelijke degelijkheid en geldigheid van elk systeem voor het matchen van profielen enorm beïnvloeden.

Selectie van profielelementen:

Elk profielelement wordt gebruikt als een voorspeller van het succes van een baan, evenals de voorspellers in de eerder besproken methoden. Het is dan zeker van essentieel belang om de geldigheid van elk profielelement vast te stellen voordat het als een middel voor het selecteren en / of plaatsen van personen in het werk wordt gebruikt. Welke zekerheid hebben we bijvoorbeeld dat arme of onbevredigende werknemers geen samengesteld profiel hebben dat er precies zo uitziet als in figuur 3.11? We hebben er eigenlijk helemaal geen, tenzij we empirisch achterhalen wat de onbevredigende samenstelling eruit ziet door daadwerkelijk een groep van deze mensen te meten op dezelfde kenmerken en computergroep-gemiddelden.

Het moet duidelijk zijn dat alleen die voorspellers die een significant verschil in gemiddelde scores tussen de bevredigende en onbevredigende groepen vertonen, moeten worden opgenomen in het ideale profiel. Elke eigenschap die niet duidelijk onderscheid maakt tussen "goede" en "arme" werknemers zal alleen maar fouten en verwarring toevoegen door in het selectieproces te worden ingevoegd. Aangezien validatie van elke eigenschap een noodzakelijke (maar al te vaak genegeerde) stap is in de selectie van profielitems, kan het een legitieme vraag zijn om te vragen waarom niet gewoon alle profielvoorspellers gebruiken in een meervoudige regressievergelijking (of misschien zelfs een meervoudige afsnijding) ). In feite hangt het antwoord hierop af van welke methode wordt gebruikt voor het vergelijken van profielen, zoals te zien is in de volgende sectie.

Methoden voor het vergelijken van profielen:

Er zijn twee totaal verschillende procedures die kunnen worden gevolgd bij het vergelijken van de profielen van elk individu met het ideale-profiel. Eén methode selecteert die personen die profielen hebben die het meest overeenkomen met de composiet. Dit resulteert op zijn beurt in een keuze aan procedures, afhankelijk van hoe de term match is gedefinieerd.

Een manier om een goede match te definiëren, is te zeggen dat hoe dichter de punten van een profiel bij de punten van het andere profiel liggen, hoe beter de overeenkomst. Deze methode gebruikt dan de verschillen tussen de twee scores op elk kenmerk om een mate van overeenkomst (of ongelijkheid) te verkrijgen. De meest gebruikelijke procedure berekent deze verschillen, vierkanten ze en voegt ze vervolgens toe om een similariteitsmaat te krijgen. Dus als we een profiel hebben met k-kenmerken en als we dit verder definiëren

X _ij - Score van persoon ik op eigenschap j

X _8j = score van standaardprofiel op eigenschap j

dan D ² = (X _ij - X _aj ) 2

en ΣD ² zou de mate weergeven waarin het profiel van persoon i overeenkwam met het standaardprofiel. Hoe groter ΣD ², hoe slechter de match. Het is belangrijk om te beseffen dat de D ^2- methode helemaal geen aandacht heeft voor de vraag of de scores van persoon i boven of onder de composiet vallen, dat wil zeggen, richting is niet belangrijk met deze matching-procedure. Het enige dat telt is de nabijheid van profielpunten.

Een tweede methode voor het definiëren van profielovereenkomst wordt uitgedrukt in termen van onze oude vriend de correlatiecoëfficiënt. Een hoge correlatie tussen de scores van een individu is een profiel en de scores van het ideale profiel geven aan dat de twee profielen vergelijkbare patronen hebben, dat wil zeggen, individuele i scoort hoog op die kenmerken waarop het ideale profiel ook hoge scores heeft en hij scoort laag op die eigenschappen waar het ideale profiel ook lage scores heeft. Figuur 3.12 toont voorbeelden van profielen die illustreren hoe het gebruik van verschillende methoden voor het beoordelen van overeenkomsten ertoe kan leiden dat verschillende personen voor de taak worden geselecteerd. Uit onderzoek van figuur 3.12 blijkt al snel dat het algemene patroon van de scores van persoon B veel beter overeenkomt met dat van het ideale of standaardprofiel dan de scores van persoon A.

De werkelijke scores van persoon A lijken echter dichter bij die van het standaardprofiel te liggen dan de scores op het profiel van individuele B. We kunnen daarom veronderstellen dat individu A de lagere (wenselijker) ΣD ^2- score zou moeten hebben, terwijl individuele B de hogere correlatie (wenselijker) zou moeten hebben met de standaard.

Zoals de gegevens in tabel 3.3 aangeven, blijkt dit inderdaad het geval te zijn. Wanneer de waarden in figuur 3.12 worden gebruikt om ΣD ² te berekenen, is de score van persoon A (ΣD ² _als ) 500, terwijl de score van persoon B (ΣD ² _bs ) veel groter is, met een waarde van 2000. Aan de andere kant, wanneer correlaties tussen profielen worden berekend, de correlatie tussen profiel A en het standaardprofiel wordt berekend r = = - 1, 00, terwijl de correlatie tussen profiel B en de standaard, r _bs, 1, 00-volledige overeenkomst blijkt te zijn. Dus als de D2-methode zou worden gebruikt als een selectiecriterium, zouden we persoon A selecteren; als we zouden - om correlatie tussen profielen als een methode te gebruiken, zouden we persoon B selecteren. "

Een procedure kiezen:

Welke procedure het beste is, is een vraag die alleen op empirische wijze in een bepaalde omgeving kan worden beantwoord. Naar alle waarschijnlijkheid is echter noch de D2, noch de correlatiemethode de beste techniek. Als de kenmerken van het profiel zijn geselecteerd op basis van een aanzienlijke discriminatie tussen goede en slechte werknemers (zoals ze inderdaad zeker zouden moeten worden geselecteerd), dan is de logische conclusie dat hoge scores op een eigenschap wenselijk zijn en lage scoorders moeten worden vermeden (of vice versa, afhankelijk van het kenmerk).

Als we ervan uitgaan, zoals we in het algemeen hebben gedaan, dat de significante relatie tussen elk kenmerk op het profiel en het succes van een baan positief en lineair is, dan zouden we mensen willen selecteren volgens een van de volgende procedures:

1. Selecteer die mensen van wie de profielpunten de hoogste zijn, dat wil zeggen dat hun gemiddelde profielscore wordt gebruikt als selectie-index. Met behulp van deze procedure kan een persoon een grote ΣD ^2- score hebben en toch worden geselecteerd, zolang zijn profielpunten de neiging hebben boven de overeenkomstige profielpunten voor de standaard te liggen. Deze procedure is gelijk aan het gebruik van een multiple-regressie-selectiemodel waarbij elk profielkenmerk een voorspeller is en de regressiegewichten voor elke voorspeller gelijk zijn. Lage profielscores op één eigenschap kunnen worden gecompenseerd door hoge profielscores op een andere eigenschap.

2. Selecteer diegenen die profielen hebben met de hoogste gemiddelde profielscore en waarvan de punten alle boven hun overeenkomstige ideale profiel-tegenhangers liggen. Dit komt natuurlijk overeen met een combinatie van de multiple-cut-off selectiemethode en de meervoudige regressiemethode.

De ideale profielpunten worden gebruikt om minimale acceptabele scorewaarden vast te stellen. Alle personen die zich dus kwalificeren, worden vervolgens geëvalueerd via het meervoudige regressiesysteem. Een dergelijke procedure kan waarschijnlijk alleen werken in gevallen waarin de selectieratio voldoende klein is om het mogelijk te maken om vrij stringente afkapwaarden te gebruiken. Zeker om de gemiddelde score op elk kenmerk voor een groep succesvolle werknemers te gebruiken als minimum aanvaardbare waarden, creëert dit een stijve hindernis voor nieuwe aanvragers.

Een van deze laatste procedures lijkt een enigszins meer gerechtvaardigde manier om profielen te gebruiken voor selectie dan de eerste twee procedures, D 'of r. Het concept van een "ideaal" profiel waarin afwijkingen in welke richting dan ook als slecht worden beschouwd kan op logische gronden serieus worden betwijfeld.

Meerdere Hurdle-systeem:

De meeste selectiesituaties omvatten pogingen om later succes bij een bepaalde taak te voorspellen door het gebruik van een of meer voorspellende maatstaven die zijn verkregen bij het solliciteren. Sommige selectiesituaties zoals managementtraining omvatten echter enigszins lange perioden en uiteindelijke evaluatie na geruime tijd, maar met tussentijdse evaluaties of hindernissen op verschillende punten van vooruitgang.

Beschouw de situatie geïllustreerd in figuur 3.13. Hier hebben we een trainingsprogramma opgesteld dat kan worden gebruikt door een groot bedrijf als een middel voor screening, training en het plaatsen van nieuwe afgestudeerden binnen het bedrijf. Het bedrijf huurt in eerste instantie een bepaald aantal afgestudeerden in de universiteit in, misschien met behulp van collegescores, interviews, aanbevelingsbrieven en tests als middel om mensen te selecteren. Alle medewerkers krijgen te horen dat hun selectie op proef is en dat ze tijdens hun trainingsprogramma voortdurend worden geëvalueerd. Als de prestaties tijdens de training niet bevredigend zijn, kunnen ze uit het programma worden gehaald.

Het is zeker in het belang van het bedrijf om zo snel mogelijk een juiste beslissing te nemen over elk individu. Evenzo is het in het belang van de werknemer dat een beslissing zo snel mogelijk wordt genomen. De mate waarin het mogelijk is om succes te voorspellen als gevolg van het trainingsprogramma neemt echter toe in de juistheid (dat wil zeggen, de geldigheid neemt toe) naarmate we de prestaties van het individu tijdens de training langer kunnen observeren. Tegen het einde van de derde evaluatieperiode moeten we zeker veel nauwkeuriger kunnen voorspellen of een tram de cursus met succes zal afleggen dan we konden doen op het moment dat hij werd aangenomen.

De situatie is vrij analoog aan het probleem van het voorspellen van de eindcijfers van universiteitsstudenten. Vanzelfsprekend kan men betere voorspellingen doen tegen de tijd dat de student zijn laatste jaar begint dan op het moment dat hij naar de universiteit gaat. Figuur 3.14 illustreert de verandering in geldigheid die men logischerwijze zou kunnen verwachten in een situatie zoals die is weergegeven in figuur 3.13.

In zekere zin zijn de mechanismen van een situatie zoals weergegeven in figuur 3.13 identiek aan de meer gebruikelijke situaties met meerdere voorspellers: er zijn een aantal voorspellers voor succes beschikbaar, maar om elke extra voorspeller te verkrijgen, is het noodzakelijk dat er extra tijd en geld in wordt geïnvesteerd trainee. Sequentiële voorspellers worden op verschillende manieren gebruikt.

Meestal wordt een van de volgende methoden gebruikt:

1. Een persoon moet scoren boven een minimale gewenste score in elke evaluatiefase. Zo wordt elke fase een hindernis die de stagiair moet opheffen als hij in het programma moet worden gehouden.

2. Een samengestelde meervoudige regressie wordt berekend op elk volgend evaluatiepunt en de kans op succes wordt berekend voor elke persoon die in het programma blijft. Wanneer deze waarschijnlijkheid onder een willekeurige waarde daalt (bijvoorbeeld 25 procent), wordt hij uit het programma verwijderd.

Probleem van beperking van bereik:

Een moeilijkheid die naar voren komt in opeenvolgende selectiesituaties is een probleem dat bekend staat als het effect van "beperking van het bereik" op schattingen van de geldigheid. Als we in eerste instantie voorspeller 1 hebben gebruikt om mensen te selecteren, en als we vervolgens de correlatie tussen voorspeller I en het criterium berekenen of de correlatie tussen een andere voorspeller 2 en het criterium berekenen, hebben onze berekende geldigheidscoëfficiënten r _1c of r _2c lectectie plaatsgevonden . Door vooraf te selecteren hebben we het bereik van het vermogen (en dus de voorspellingsscores) beperkt waardoor de correlatiecoëfficiënt zal verminderen. Inderdaad, onze voorspeller 1 werkt op een manier die vergelijkbaar is met de controlevariabele in gedeeltelijke correlatie; omdat het al een deel van de variantie heeft veroorzaakt, zal de correlatie r _2c worden verminderd. Om een schatting te krijgen van wat de waarde R _2c werkelijk is, kan men de correctieformule gebruiken.