Sistemas de Previsão para Tomar Decisões de Emprego

O problema típico de previsão, seja seleção, posicionamento ou ambos, envolve o uso de vários preditores. Esses preditores são usados da melhor maneira possível como guias na tomada de decisão sobre o emprego. Existem decisões como “ele deve ser contratado para este trabalho?” Ou “deve ser enviado para este programa de treinamento?” Existem várias estratégias que o psicólogo pode adotar em termos de sua abordagem para o processo de tomada de decisão. Dependendo do sistema de previsão particular adotado, as decisões de emprego podem ser bem diferentes.

Embora cada sistema tenha suas próprias vantagens e desvantagens, cada um deles fornece um método para tomar decisões sobre pessoas com base em um grupo de características ou qualidades (os preditores) que se acredita serem relevantes para o sucesso no trabalho.

Os principais sistemas são:

(1) O sistema de regressão múltipla,

(2) o sistema de corte múltiplo,

(3) O sistema de correspondência de perfis e

(4) O sistema de múltiplos obstáculos.

Cada sistema será examinado nas seções a seguir em maior detalhe.

Sistema de Regressão Múltipla:

Como o nome indica, esse sistema de posicionamento utiliza o modelo de regressão múltipla para tomar decisões sobre os indivíduos. O modelo de regressão múltipla toma a forma y = b ₁ x ₁ + b ₂ x ₂ (assume a = 0) (3.6)

O uso de tal modelo na seleção assume que (1) as características x ₁ e x ₂ estão linearmente relacionadas ao desempenho de critério, e que (2) a posse de um “lote” de uma das características compensa ter apenas um “pequeno Do segundo traço.

Dada uma situação, por exemplo, onde bi = 2 e b ₂ = 4 e a = 0, a fórmula y = 2x ₁ + 4x ₂ (3, 7)

seria usado para prever o sucesso do trabalho. Vamos supor que uma pontuação de critério de 50 possa ser considerada um desempenho satisfatório pelos funcionários e qualquer coisa menos resultou em desempenho não satisfatório. A Tabela 3.2 mostra algumas pontuações nos dois preditores para quatro candidatos a cargos teóricos. A pontuação do critério previsto para cada candidato também foi calculada usando a equação 3.7. Observe que todos os quatro candidatos têm exatamente o mesmo desempenho de critério previsto, apesar de seus padrões de pontuação de teste diferirem bastante acentuadamente. À medida que procedemos da pessoa A até a pessoa D, vemos que suas pontuações no teste 2 diminuem sistematicamente.

No entanto, essa queda é compensada por um aumento correspondente no desempenho do teste 1. De fato, uma inspeção minuciosa mostrará que um ganho de dois pontos no teste 1 é necessário para compensar a perda de cada ponto no teste 2. Isso não deveria ser surpreendente, uma vez que o peso relativo dado ao teste 2 é o dobro do dado para teste 1 em nosso modelo de regressão (isto é, b ₁ = 2, b ₂ = 4).

A Figura 3.5 mostra ainda mais claramente a dinâmica do processo de seleção criado pelos dados da Tabela 3.2. O envelope de pontuação mostrado no gráfico de dispersão da Figura 3.5 apresenta uma situação em que os dois preditores de desempenho, x ₁ e x ₂, estão correlacionados positivamente. Se a correlação r12 fosse zero, o gráfico de dispersão seria, obviamente, um círculo.

No entanto, a forma do gráfico de dispersão não é crítica para o conceito de trade-off inerente ao sistema de regressão múltipla. Uma vez que dissemos que qualquer pessoa com uma pontuação prevista de 50 ou melhor deveria ser considerada “satisfatória”, podemos traçar a “linha de 50 pontos” na Figura 3.5, que mostra todas as combinações possíveis das pontuações do teste 1 e teste 2 que resultará em uma pontuação de critério de exatamente 50 pontos usando a equação 3.7. Como a figura indica, todos os quatro candidatos estão nessa linha.

Um aspecto interessante da Figura 3.5 é que a linha divide a população de candidatos a emprego em dois grupos ou regiões. Todos os candidatos à direita e acima da linha terão pontuações de critério (usando a equação 3.7) que estarão acima de 50. Todos os candidatos à esquerda e abaixo da linha terão pontuações de critério inferiores a 50. Assim, somente a primeira ser aceito para o emprego, uma vez que se prevê que seu desempenho será satisfatório.

Os últimos candidatos, com desempenho previsto inferior ao satisfatório, serão rejeitados com este sistema de seleção. A Figura 3.6 estende a Figura 3.5 em três dimensões, mostrando os escores de critério observados, bem como os escores preditores para todos os indivíduos.

É importante notar que o plano da Figura 3.6 que divide os funcionários em aqueles que seriam selecionados usando o modelo de regressão múltipla dado pela equação 3.7 e aqueles que seriam rejeitados não é o plano de regressão. É mais apropriadamente chamado de plano de seleção. O leitor é levado de volta à Figura 3.4 para uma ilustração do plano de regressão em um sistema de regressão múltipla de dois preditores.

Suposições, Vantagens e Desvantagens do Sistema de Regressão Múltipla:

O sistema de previsão de regressão múltipla é um procedimento de seleção poderoso quando usado apropriadamente. Desde que a suposição básica de que todos os relacionamentos são lineares seja verdadeira, ela tem uma elegância matemática que é difícil de ser excedida. Sabe-se, por exemplo, que o modelo minimiza os erros na previsão. Outra vantagem deste sistema é que os preditores são combinados para obter a estimativa mais eficiente do desempenho subsequente.

Um dos principais pontos de controvérsia em relação ao modelo de regressão múltipla envolve o princípio do trade-off, tão implícito em seu uso. Se as unidades X de uma variável podem ser substituídas por unidades X em outra variável é sempre uma questão discutível. Certamente, o método pode ser extremamente flexível. É possível configurar equações para cada um dos vários jobs usando os mesmos ou diferentes preditores. Como resultado, as pontuações previstas podem ser calculadas para cada pessoa para cada trabalho.

As pessoas poderiam então ser contratadas e colocadas em um trabalho específico usando um ou mais dos seguintes procedimentos:

1. Coloque cada pessoa naquele trabalho para o qual a pontuação prevista é maior. Isso pressupõe que a organização lucrará mais se cada pessoa for colocada onde tiver mais aptidão, independentemente do valor absoluto dessa aptidão. Se nenhum cargo estiver aberto naquele trabalho, ele será colocado em outro emprego para o qual ele recebeu o segundo melhor critério.

Um problema com tal procedimento é que é possível que os trabalhos em si tenham requisitos mínimos diferentes para o sucesso. Assim, pode acontecer que sua melhor pontuação (desempenho previsto para o trabalho A) possa não ser adequada para o sucesso previsto no trabalho A, enquanto sua segunda melhor pontuação (desempenho previsto no trabalho B) pode estar bem acima do valor necessário para prever o sucesso. trabalho B.

2. Colocar cada pessoa naquele trabalho, onde o seu escore previsto é mais alto do que o escore mínimo necessário para ser considerado satisfatório. Esse método está mais preocupado com a eficiência total do sistema do que com a medida em que cada pessoa é colocada no trabalho que pode executar melhor. Evita colocar alguém em um trabalho onde seu desempenho seja inferior.

Múltiplos Sistemas de Corte:

Foi claramente apontado na discussão do sistema de regressão múltipla que o modelo utilizado pressupõe relações lineares entre os preditores e o critério. Tal sistema é freqüentemente objetado com base em que enquanto para muitas características pode haver uma relação linear entre preditor e critério na maior parte da faixa, pode haver alguma quantidade mínima aceitável dessa característica que é necessária para se obter sucesso. trabalhador. Esse tipo de relação entre desempenho no trabalho e teste é mostrado na Figura 3.7.

A função preditor-critério na Figura 3.7 mostra o que acontece quando se assume que:

(1) Há alguma quantia mínima da habilidade de predição (característica X) necessário para sucesso de trabalho, e

(2) Qualquer falta ou deficiência na característica X abaixo deste mínimo não pode ser compensada por ter uma grande quantidade de outra habilidade que também foi mostrada para prever o sucesso no trabalho.

Um exemplo de tal situação pode ser um trabalho de montagem que requer boa visão e destreza manual. De um modo geral, pode-se descobrir que quanto melhor a visão de um trabalhador e melhor sua destreza, mais bem-sucedido esse trabalhador tenderia a estar no trabalho. No entanto, pode haver um ponto ao longo da dimensão da visão além do qual nenhuma quantidade de destreza ajudaria.

O procedimento de seleção e colocação que leva em consideração este problema de valores mínimos aceitáveis é chamado de método de corte múltiplo, o que significa que um ponto de corte é estabelecido separadamente para cada preditor. A menos que uma pessoa tenha uma pontuação acima do limite de todos os preditores para um determinado trabalho, ele não será colocado nesse cargo.

Assim, nenhum conceito de aditivo de características existe com este método. Cair abaixo do mínimo em qualquer preditor desqualificará o indivíduo. As Figuras 3.8 e 3.9 mostram as regiões de aceitação e rejeição usando o sistema de corte múltiplo para dados semelhantes aos usados para ilustrar o sistema de regressão múltipla nas Figuras 3.5 e 3.6.

Talvez a melhor maneira de comparar os dois métodos seja indicar como eles diferem em termos de quem será selecionado para o trabalho. A Figura 3.10 mostra as linhas de corte para ambos os métodos de seleção. Note, em primeiro lugar, que, independentemente do método utilizado, as pessoas da área 7 serão sempre aceitas e as pessoas das áreas 1, 3 e 5 serão sempre rejeitadas. As pessoas que serão tratadas diferentemente como uma função do procedimento de seleção são aquelas nas áreas 2, 4 e 6.

Usando o sistema de seleção de regressão múltipla, todas as pessoas nas áreas 2 e 6 serão aceitas, enquanto aquelas na área 4 serão rejeitadas. O inverso ocorrerá usando o procedimento de corte múltiplo; as pessoas da área 4 serão aceitas e as das áreas 2 e 6 serão rejeitadas. Assim, a questão resolve uma das desejabilidade relativa desses dois grupos de indivíduos.

A solução é matematicamente complexa e foi demonstrada por Lord (1963) como sendo primariamente uma função da confiabilidade dos dois preditores. Na verdade, na maioria das condições, provavelmente nenhum dos procedimentos fornece exatamente a melhor solução ao selecionar o grupo de funcionários com a maior pontuação média de critério. Em vez disso, a estratégia de seleção ideal parece ser uma forma de compromisso entre os dois métodos (veja a linha pontilhada na Figura 3.10).

Determinando as Pontuações de Corte:

Se Um adota a técnica de pontuação múltipla de corte, torna-se necessário decidir sobre os escores mínimos aceitáveis separados para cada um dos preditores. Esta não é uma tarefa fácil, uma vez que não existe um modo “correto” especificado de estabelecer uma pontuação abaixo da qual todas as pessoas serão desqualificadas. Os relacionamentos envolvidos na taxa de seleção e o percentual de empregados considerados satisfatórios (o escore de corte), ele começará a ver quão complexo é o problema quando dois preditores estão envolvidos.

Geralmente, o processo de configurar valores de pontuação de corte se torna uma tentativa e erro em que diferentes valores para cada preditor são tentados. Para cada par de pontuações de corte, o pesquisador deve determinar quão alta é a pontuação média ou composta do critério dos selecionados em relação a outras combinações de pontuação de corte. Ele também deve levar em conta o número de vagas de emprego em relação ao número total de candidatos (a medida da taxa de seleção).

Suposições, Vantagens e Desvantagens de Múltiplas Pontuações de Corte:

Para resumir os pontos mencionados acima, o método de cortar pontuações realmente assume uma relação não-linear entre preditores e critério. Em segundo lugar, rejeita o conceito de substituição dos resultados dos testes, pelo menos em certas partes do intervalo. A única vantagem clara é que geralmente é um método fácil para o pessoal de pessoal implementar porque não são necessários procedimentos ou fórmulas computacionais elaboradas.

No entanto, como foi mencionado, uma certa quantidade de tentativa e erro é necessária para obter pontuações de corte que funcionem da maneira mais satisfatória. Uma de suas desvantagens mais críticas é que ele não fornece uma pontuação única para cada indivíduo, que pode ser usado para prever o quão bem sucedido ele será em um trabalho em relação ao seu sucesso em outro trabalho. Assim, a colocação de emprego real por meio de pontuações de corte pode se tornar extremamente incômoda.

Sistema de correspondência de perfil:

Uma terceira abordagem para seleção e posicionamento de funcionários é o sistema de correspondência de perfis. Existem numerosas versões deste método que diferem principalmente em termos da maneira como os perfis são correspondidos. No entanto, os aspectos restantes do procedimento são bastante invariantes de versão para versão. O método em si é bastante simples. Se alguém tem k variáveis (preditores) que são aceitas como importantes para o sucesso no trabalho, então uma mede todos os funcionários "bem-sucedidos" no trabalho em cada um desses k preditores. As pontuações são, então, calculadas para obter um perfil “típico” de um trabalhador bem-sucedido. Um perfil típico hipotético é mostrado na Figura 3.11.

Neste exemplo, dez preditores foram usados para descrever o trabalhador bem-sucedido típico no trabalho A. Como os dados indicam, um trabalhador bem-sucedido no trabalho A tenderá a ter pontuações altas (em relação a outros trabalhadores) nas variáveis 2, 3, 5, 6 e 8. Suas pontuações nas variáveis 1, 4, 7, 9 e 10 não diferem muito do desempenho médio dos trabalhadores em geral. Uma vez que esse tipo de perfil ideal tenha sido obtido, ele é então usado como um padrão contra o qual os perfis individuais de todos os novos candidatos são comparados.

Nesse ponto, duas questões bastante importantes surgem no método do perfil. Primeiro, como se decide quais preditores são relevantes, quais devem ser incluídos no perfil? Em segundo lugar, dado que os elementos do perfil foram selecionados com sucesso, como avaliar adequadamente o grau em que o perfil de qualquer indivíduo corresponde ao perfil ideal? A maneira como esses dois problemas são resolvidos pode influenciar tremendamente a solidez e a validade de qualquer sistema de correspondência de perfis.

Seleção de elementos de perfil:

Cada elemento do perfil é usado como um preditor de sucesso no trabalho, assim como os preditores nos métodos discutidos anteriormente. É certamente essencial estabelecer a validade de cada elemento do perfil antes de usá-lo como meio de selecionar e / ou colocar os indivíduos no trabalho. Que garantia temos, por exemplo, de que trabalhadores pobres ou insatisfatórios não têm um perfil composto que se pareça exatamente com o mostrado na Figura 3.11? Na verdade, não temos nenhuma, a menos que saibamos empiricamente como é o compósito insatisfatório, medindo realmente um grupo dessas pessoas com as mesmas características e computando médias de grupo.

Deve ser óbvio que apenas aqueles preditores que demonstram uma diferença significativa nos escores médios entre os grupos satisfatório e insatisfatório devem ser incluídos no perfil ideal. Qualquer traço que não diferencie claramente entre funcionários “bons” e “pobres” só adicionará erros e confusão ao serem inseridos no processo de seleção. Como a validação de cada característica é uma etapa necessária (mas freqüentemente ignorada) na seleção do item de perfil, pode ser uma pergunta legítima perguntar por que não usar todos os preditores de perfil em uma equação de regressão múltipla (ou talvez até um corte múltiplo ). Na verdade, a resposta para isso depende de qual método é empregado para comparar perfis, como será visto na seção a seguir.

Métodos de comparação de perfis:

Existem dois procedimentos bastante diferentes que podem ser adotados na comparação dos perfis de cada indivíduo com o perfil ideal. Um método seleciona as pessoas que têm perfis que correspondem mais de perto ao composto. Isso, por sua vez, resulta em uma escolha de procedimentos, dependendo de como o termo correspondência é definido.

Uma forma de definir uma boa correspondência é dizer que quanto mais próximos os pontos de um perfil estiverem dos pontos do outro perfil, melhor será a correspondência. Este método, então, usa as diferenças entre os dois escores em cada traço para obter uma medida de similaridade (ou dissimilaridade). O procedimento mais comum calcula essas diferenças, as esquadra e as adiciona para obter uma medida de similaridade. Assim, se tivermos um perfil com k-traits e se definirmos

X _ij - Pontuação da pessoa i na característica j

X _8j = Escore do perfil padrão na característica j

então D ² = (X _ij - X _aj ) 2

e ΣD ² representaria o grau em que o perfil de pessoa corresponde ao perfil padrão. Quanto maior ΣD ², pior o jogo. É importante perceber que o método D ² não se preocupa em absoluto com o fato de os escores da pessoa cair acima ou abaixo do compósito, ou seja, a direção não ser importante com esse procedimento de correspondência. Tudo o que conta é a proximidade dos pontos de perfil.

Um segundo método de definição de similaridade de perfil é expresso em termos do nosso antigo amigo, o coeficiente de correlação. Uma alta correlação entre os escores do indivíduo é o perfil e os escores do perfil ideal indicam que os dois perfis têm padrões semelhantes, ou seja, os escores individuais i são altos naqueles traços em que o perfil ideal também apresenta altos escores e pontua baixo naqueles traços onde o perfil ideal também tem pontuações baixas. A Figura 3.12 mostra exemplos de perfis que ilustram como o uso de diferentes métodos para avaliar a similaridade pode resultar na seleção de diferentes indivíduos para o trabalho. O exame da Figura 3.12 revela rapidamente que o padrão geral das pontuações da pessoa B duplica muito mais o perfil ideal ou padrão do que as pontuações da pessoa A.

No entanto, as pontuações reais obtidas pela pessoa A parecem estar mais próximas em valor àquelas do perfil padrão do que as pontuações no perfil do indivíduo B. Podemos, portanto, hipotetizar que o indivíduo A deveria ter o escore mais baixo (mais desejável) de ΣD ^2, enquanto o indivíduo B deveria ter a correlação mais alta (mais desejável) com o padrão.

Como os dados da Tabela 3.3 indicam, tal fato acaba sendo o caso. Quando os valores dados na Figura 3.12 são usados para calcular ΣD ², a pontuação da pessoa A (ΣD ² _as ) é 500, enquanto a pontuação da pessoa B (ΣD ² _bs ) é muito maior, tendo um valor de 2000. Por outro lado, correlações entre perfis são computadas, a correlação entre o perfil A e o perfil padrão é calculada _como = - 1, 00, enquanto a correlação entre o perfil B e o padrão, r _bs, é 1, 00 - concordância total. Assim, se o método D2 fosse usado como critério de seleção, selecionaríamos a pessoa A; se fôssemos usar a correlação entre perfis como um método, selecionaríamos a pessoa B. ”

Escolhendo um Procedimento:

Qual procedimento é melhor é uma questão que só pode ser respondida por meios empíricos em uma determinada configuração. Com toda a probabilidade, no entanto, nem o D2 nem o método de correlação são a melhor técnica. Se os traços do perfil foram selecionados com base na discriminação significativa entre empregados bons e pobres (como de fato eles devem ser selecionados), então a dedução lógica é que altas pontuações em uma característica devem ser desejadas e os menores pontuadores devem ser evitados (ou vice-versa, dependendo da característica).

Se assumirmos, como geralmente temos, que a relação significativa entre cada característica no perfil e o sucesso no trabalho é positiva e linear, então gostaríamos de selecionar pessoas de acordo com um dos seguintes procedimentos:

1. Selecione as pessoas cujos pontos de perfil tendem a ser os mais altos, ou seja, sua pontuação média de perfil é usada como um índice de seleção. Usando este procedimento, uma pessoa pode ter uma grande pontuação de ΣD ² e ainda ser selecionada, contanto que seus pontos de perfil tendam a estar acima dos pontos de perfil correspondentes para o padrão. Esse procedimento é equivalente a usar um modelo de seleção de regressão múltipla, em que cada traço de perfil é um preditor e os pesos de regressão são considerados iguais para cada preditor. Escores de baixo perfil em um traço podem ser compensados por escores de alto perfil em outro traço.

2. Selecione as pessoas que têm perfis com a maior pontuação média do perfil e cujos pontos estão todos acima de seus correspondentes no perfil ideal. Isso, é claro, equivale a uma combinação do método de seleção de múltiplos cortes e do método de regressão múltipla.

Os pontos de perfil ideais são usados para estabelecer valores mínimos de pontuação aceitáveis. Todas as pessoas assim qualificadas são então avaliadas através do sistema de regressão múltipla. Tal procedimento provavelmente só pode funcionar nos casos em que a taxa de seleção é suficientemente pequena para permitir que se empreguem valores de corte bastante rigorosos. Certamente, usar a pontuação média em cada característica para o grupo de funcionários bem-sucedidos como valores mínimos aceitáveis está criando um obstáculo rígido para novos candidatos.

Qualquer um destes últimos procedimentos parece um modo um pouco mais justificável para usar perfis para seleção do que os dois primeiros procedimentos, D 'ou r. O conceito de um perfil “ideal”, no qual os desvios em qualquer direção são considerados ruins, pode ser seriamente questionado por motivos lógicos.

Sistema Múltiplo Hurdle:

A maioria das situações de seleção envolve tentativas de prever sucesso posterior em alguma tarefa por meio do uso de uma ou mais medidas preditivas obtidas no momento da solicitação de emprego. No entanto, algumas situações de seleção, como o treinamento gerencial, incluem períodos relativamente longos e avaliações finais após algum tempo, mas com avaliações intermediárias ou obstáculos em vários pontos de progresso.

Considere a situação ilustrada na Figura 3.13. Aqui temos diagramado um programa de treinamento que pode ser usado por uma grande corporação como um meio de triagem, treinamento e colocação de novos graduados na corporação. Inicialmente, a empresa contrata um determinado número de graduados, talvez usando notas, entrevistas, cartas de recomendação e testes para selecionar pessoas. Todos os contratados são informados de que sua seleção está em estágio probatório e que serão continuamente avaliados durante o seu programa de treinamento. Se o desempenho durante o treinamento não for satisfatório, eles podem ser liberados do programa.

É certamente do interesse da empresa tomar uma decisão precisa sobre cada indivíduo o mais cedo possível. Da mesma forma, é igualmente do melhor interesse do empregado que uma decisão seja tomada o mais cedo possível. No entanto, o grau em que é possível prever o sucesso como resultado do programa de treinamento aumenta a correção (ou seja, aumenta a validade) quanto mais tempo formos capazes de observar o desempenho do indivíduo durante o treinamento. No final do terceiro período de avaliação, certamente poderemos prever com mais precisão se um bonde vai terminar o curso com sucesso do que conseguimos fazer no momento em que ele foi contratado.

A situação é bastante análoga ao problema de prever as notas finais dos estudantes universitários. Obviamente, é possível fazer previsões melhores quando o aluno inicia o último ano do que quando ele entra na universidade. A Figura 3.14 ilustra a mudança de validade que se pode esperar logicamente que ocorra em uma situação como a apresentada na Figura 3.13.

Em certo sentido, a mecânica de uma situação, como mostrado na Figura 3.13, é idêntica às situações mais comuns de múltiplos preditores: Um número de preditores de sucesso está disponível, mas para obter cada preditor adicional é necessário investir tempo e dinheiro adicionais nesse valor. estagiário. Os preditores sequenciais são usados de várias maneiras.

Mais freqüentemente, um dos seguintes métodos é empregado:

1. Uma pessoa deve pontuar acima de alguma pontuação mínima desejável em cada estágio de avaliação. Assim, cada etapa se torna um obstáculo que o aluno deve esclarecer se ele deve ser mantido no programa.

2. Uma regressão múltipla composta é calculada em cada ponto de avaliação sucessiva, e a probabilidade de sucesso é computada para cada pessoa que permanece no programa. Sempre que essa probabilidade cai abaixo de algum valor arbitrário (por exemplo, 25%), ele é eliminado do programa.

Problema de restrição de alcance:

Uma dificuldade que surge em situações de seleção sequencial é um problema conhecido como o efeito de “restrição de alcance” nas estimativas de validade. Se usamos o preditor 1 para selecionar as pessoas inicialmente, e então, se subsequentemente calculamos a correlação entre o preditor I e o critério ou calculamos a correlação entre algum outro preditor 2 e o critério, nossos coeficientes de validade computados r _1c ou r _2c lection ocorreram . Ao pré-selecionar, restringimos o alcance da habilidade (e, portanto, os escores do preditor), o que reduzirá o coeficiente de correlação. De fato, nosso preditor 1 age de maneira similar à variável de controle na correlação parcial; uma vez que já foi responsável por uma parte da variância, a correlação r _2c será reduzida. Para obter uma estimativa de qual é a validade do R _2c, pode-se usar a fórmula de correção.