Masalah prediksi tipikal, baik pemilihan, penempatan, atau keduanya, melibatkan penggunaan sejumlah prediktor. Prediktor ini digunakan sebaik mungkin sebagai panduan dalam membuat keputusan tentang pekerjaan. Ada keputusan seperti “haruskah dia dipekerjakan untuk pekerjaan ini?” atau “haruskah dia dikirim ke program pelatihan ini?” Ada beberapa strategi yang dapat diadopsi oleh psikolog dalam hal pendekatannya terhadap proses pengambilan keputusan. Bergantung pada sistem prediksi tertentu yang diadopsi, keputusan ketenagakerjaan bisa menjadi sangat berbeda.
Sementara setiap sistem memiliki kelebihan dan kekurangannya sendiri, masing-masing menyediakan metode untuk membuat keputusan tentang orang-orang berdasarkan sekelompok sifat atau kualitas (prediktor) yang diyakini relevan dengan keberhasilan pekerjaan.
Sistem utama adalah:
(1) Sistem regresi berganda,
(2) Sistem cut-off ganda,
(3) Sistem pencocokan profil, dan
(4) Sistem rintangan ganda.
Setiap sistem akan diperiksa di bagian berikut secara lebih rinci.
Sistem Regresi Berganda:
Sesuai namanya, sistem penempatan ini menggunakan model regresi berganda untuk membuat keputusan tentang individu. Model regresi berganda berbentuk y = b 1 x 1 + b 2 x 2 (asumsikan a = 0) (3.6)
Penggunaan model seperti itu dalam seleksi mengasumsikan bahwa (1) sifat-sifat x 1 dan x 2 secara linier terkait dengan kinerja kriteria, dan bahwa (2) kepemilikan “banyak” dari salah satu sifat mengkompensasi hanya memiliki “sedikit” ” dari sifat kedua.
Mengingat situasi, misalnya, di mana bi = 2 dan b 2 = 4 dan a = 0, rumus y = 2x 1 + 4x 2 (3.7)
akan digunakan untuk memprediksi keberhasilan pekerjaan. Mari kita misalkan skor kriteria 50 dapat dianggap sebagai kinerja yang memuaskan oleh karyawan dan kurang dari itu menghasilkan kinerja yang tidak memuaskan. Tabel 3.2 menunjukkan beberapa skor tes pada dua prediktor untuk empat pelamar kerja teoretis. Skor kriteria prediksi untuk setiap pelamar juga telah dihitung dengan menggunakan persamaan 3.7. Perhatikan bahwa keempat pelamar memiliki prediksi kinerja kriteria yang persis sama meskipun pola nilai ujian mereka sangat berbeda. Saat kita melanjutkan dari orang A ke orang D, kita melihat bahwa skor mereka pada tes 2 secara sistematis berkurang.
Namun, penurunan ini dikompensasi oleh peningkatan kinerja pengujian 1 yang sesuai. Bahkan, pemeriksaan yang cermat akan menunjukkan bahwa penambahan dua poin pada tes 1 diperlukan untuk mengkompensasi hilangnya setiap poin pada tes 2. Ini seharusnya tidak mengejutkan, karena bobot relatif yang diberikan pada tes 2 adalah dua kali lipat dari yang diberikan. untuk menguji 1 dalam model regresi kami (yaitu, b 1 = 2, b 2 = 4).
Gambar 3.5 menunjukkan lebih jelas dinamika proses seleksi yang dihasilkan oleh data pada Tabel 3.2. Amplop skor yang ditunjukkan pada scatter-plot Gambar 3.5 menyajikan situasi di mana dua prediktor kinerja, x1 dan x2 , berkorelasi positif. Jika korelasi r 12 adalah nol, plot pencar tentu saja akan menjadi lingkaran.
Namun, bentuk scatter-plot tidak penting untuk konsep trade-off yang melekat pada sistem regresi berganda. Karena kami telah mengatakan bahwa setiap orang dengan skor prediksi 50 atau lebih baik dianggap “memuaskan”, kami dapat memplot “garis 50 poin” pada Gambar 3.5 yang menunjukkan semua kemungkinan kombinasi skor tes 1 dan tes 2 yang akan menghasilkan skor kriteria tepat 50 poin menggunakan persamaan 3.7. Seperti yang ditunjukkan gambar, keempat pelamar berada di sepanjang garis ini.
Aspek yang menarik dari Gambar 3.5 adalah garis yang membagi populasi pelamar kerja menjadi dua kelompok atau wilayah. Semua pelamar di sebelah kanan dan di atas garis akan memiliki skor kriteria (menggunakan persamaan 3.7) yang akan berada di atas 50. Semua pelamar di sebelah kiri dan di bawah garis akan memiliki skor kriteria kurang dari 50. Dengan demikian, hanya yang pertama yang akan diterima untuk bekerja karena diperkirakan bahwa kinerja mereka akan memuaskan.
Pelamar terakhir, dengan kinerja yang diperkirakan kurang memuaskan, akan ditolak dengan sistem seleksi ini. Gambar 3.6 memperluas Gambar 3.5 menjadi tiga dimensi, menunjukkan skor kriteria yang diamati serta skor prediktor untuk semua individu.
Penting untuk dicatat bahwa bidang pada Gambar 3.6 yang membagi karyawan menjadi mereka yang akan dipilih menggunakan model regresi berganda yang diberikan oleh persamaan 3.7 dan mereka yang akan ditolak bukanlah bidang regresi. Ini lebih tepat disebut bidang seleksi. Pembaca dirujuk kembali ke Gambar 3.4 untuk ilustrasi bidang regresi dalam sistem regresi berganda dua prediktor.
Asumsi, Kelebihan, dan Kekurangan Sistem Regresi Berganda:
Sistem prediksi regresi berganda adalah prosedur pemilihan yang kuat bila digunakan dengan tepat. Asalkan asumsi dasar bahwa semua hubungan adalah linier adalah benar, ia memiliki keanggunan matematis yang sulit dilampaui. Orang tahu, misalnya, bahwa model meminimalkan kesalahan dalam prediksi. Keuntungan lain dari sistem ini adalah prediktor digabungkan untuk mendapatkan perkiraan kinerja selanjutnya yang paling efisien.
Salah satu poin utama kontroversi mengenai model regresi berganda melibatkan prinsip trade-off yang begitu implisit dalam penggunaannya. Apakah unit X dari satu variabel dapat diganti dengan unit X pada variabel lain selalu menjadi pertanyaan yang diperdebatkan. Tentu saja metode ini bisa sangat fleksibel. Dimungkinkan untuk mengatur persamaan untuk masing-masing dari sejumlah pekerjaan menggunakan prediktor yang sama atau berbeda. Hasilnya, prediksi skor dapat dihitung untuk setiap orang untuk setiap pekerjaan.
Orang kemudian dapat dipekerjakan dan ditempatkan pada pekerjaan tertentu menggunakan satu atau lebih dari prosedur berikut:
- Tempatkan setiap orang pada pekerjaan yang skor prediksinya tertinggi. Ini mengasumsikan bahwa organisasi akan mendapatkan keuntungan paling banyak jika setiap orang ditempatkan di tempat yang memiliki bakat paling tinggi, terlepas dari jumlah absolut bakat tersebut. Jika tidak ada posisi yang terbuka dalam pekerjaan itu, dia akan ditempatkan pada pekerjaan lain yang untuknya dia menerima skor kriteria terbaik kedua.
Satu masalah dengan prosedur seperti itu adalah bahwa pekerjaan itu sendiri mungkin memiliki persyaratan minimum yang berbeda untuk sukses. Dengan demikian, bisa terjadi bahwa skor terbaiknya (prediksi kinerja untuk pekerjaan A) mungkin tidak cukup untuk memprediksi kesuksesan pada pekerjaan A, sedangkan skor terbaik keduanya (prediksi kinerja pada pekerjaan B) mungkin jauh di atas nilai yang dibutuhkan untuk memprediksi kesuksesan pada pekerjaan A. pekerjaan B.
- Tempatkan setiap orang pada pekerjaan tersebut di mana skor prediksinya paling jauh di atas skor minimum yang diperlukan untuk dianggap memuaskan. Metode ini lebih mementingkan efisiensi total sistem daripada sejauh mana setiap orang ditempatkan pada pekerjaan yang dapat dia lakukan dengan sebaik-baiknya. Itu menghindari menempatkan siapa pun pada pekerjaan di mana kinerjanya akan di bawah standar.
Beberapa Sistem Cut-off:
Jelas ditunjukkan dalam pembahasan sistem regresi berganda bahwa model yang digunakan mengasumsikan hubungan linier antara prediktor dan kriteria. Sistem seperti itu sering ditolak atas dasar bahwa sementara untuk banyak sifat mungkin ada hubungan linier antara prediktor dan kriteria pada sebagian besar rentang, mungkin ada jumlah minimum yang dapat diterima dari sifat ini yang diperlukan untuk menjadi sukses. pekerja. Jenis hubungan antara prestasi kerja dan tes ditunjukkan pada Gambar 3.7.
Fungsi prediktor-kriteria pada Gambar 3.7 menunjukkan apa yang terjadi ketika seseorang mengasumsikan bahwa:
(1) Ada sejumlah minimum kemampuan prediktor (sifat X) yang diperlukan untuk keberhasilan pekerjaan, dan
(2) Setiap kekurangan atau kekurangan dalam sifat X di bawah minimum ini tidak dapat dikompensasi dengan memiliki banyak kemampuan lain yang juga telah ditunjukkan untuk memprediksi keberhasilan pekerjaan.
Salah satu contoh dari situasi seperti itu mungkin adalah pekerjaan perakitan yang membutuhkan penglihatan yang baik dan ketangkasan manual. Secara umum, orang mungkin menemukan bahwa semakin baik visi pekerja dan semakin baik ketangkasannya, semakin sukses pekerja tersebut cenderung dalam pekerjaannya. Namun, mungkin ada titik di sepanjang dimensi penglihatan yang di luarnya tidak ada ketangkasan yang bisa membantu.
Prosedur pemilihan dan penempatan yang mempertimbangkan masalah nilai minimum yang dapat diterima ini disebut metode cut-off berganda, yang berarti bahwa titik cut-off ditetapkan secara terpisah untuk setiap prediktor. Kecuali seseorang memiliki skor di atas batas pada semua prediktor untuk pekerjaan tertentu, dia tidak akan ditempatkan pada pekerjaan itu.
Jadi, tidak ada konsep penambahan sifat dengan metode ini. Jatuh di bawah minimum pada prediktor apa pun akan mendiskualifikasi individu tersebut. Gambar 3.8 dan 3.9 menunjukkan daerah penerimaan dan penolakan menggunakan sistem cut-off berganda untuk data yang serupa dengan yang digunakan untuk mengilustrasikan sistem regresi berganda pada Gambar 3.5 dan 3.6.
Mungkin cara terbaik untuk membandingkan kedua metode tersebut adalah dengan menunjukkan perbedaannya dalam hal siapa yang akan dipilih untuk pekerjaan itu. Gambar 3.10 menunjukkan garis cut-off untuk kedua metode seleksi. Perhatikan, pertama-tama, terlepas dari metode yang digunakan, orang-orang di area 7 akan selalu diterima dan orang-orang di area 1, 3, dan 5 akan selalu ditolak. Orang-orang yang akan diperlakukan berbeda sebagai fungsi dari prosedur seleksi adalah orang-orang di area 2, 4, dan 6.
Dengan menggunakan sistem seleksi regresi berganda, semua orang di area 2 dan 6 akan diterima sedangkan yang di area 4 akan ditolak. Kebalikannya akan terjadi dengan menggunakan prosedur cut-off ganda; orang-orang di area 4 akan diterima dan orang-orang di area 2 dan 6 akan ditolak. Dengan demikian pertanyaannya terpecahkan menjadi salah satu keinginan relatif dari kedua kelompok individu ini.
Solusinya rumit secara matematis dan telah ditunjukkan oleh Lord (1963) sebagai fungsi utama dari keandalan dua prediktor. Bahkan, dalam sebagian besar kondisi mungkin tidak ada prosedur yang memberikan solusi terbaik dalam memilih kelompok karyawan dengan skor kriteria rata-rata tertinggi. Alih-alih, strategi pemilihan yang optimal tampaknya merupakan bentuk kompromi antara kedua metode tersebut (lihat garis putus-putus pada Gambar 3.10).
Menentukan Skor Pemotongan:
Jika Seseorang mengadopsi teknik skor pemotongan berganda, menjadi perlu untuk memutuskan skor minimum yang dapat diterima terpisah untuk masing-masing prediktor. Ini bukanlah tugas yang mudah karena tidak ada cara “benar” yang ditentukan untuk menetapkan skor di bawahnya yang akan membuat semua orang didiskualifikasi. Hubungan yang terlibat dalam rasio seleksi dan persentase karyawan yang dianggap memuaskan (skor pemotongan), dia akan mulai melihat betapa kompleks masalahnya ketika dua prediktor dilibatkan.
Umumnya, proses penetapan nilai cutting score menjadi salah satu trial and error dimana nilai yang berbeda untuk setiap prediktor dicoba. Untuk setiap pasangan skor pemotongan, peneliti harus menentukan seberapa tinggi rata-rata atau skor kriteria gabungan dari mereka yang dipilih sehubungan dengan kombinasi skor pemotongan lainnya. Dia juga harus mempertimbangkan jumlah lowongan pekerjaan sehubungan dengan jumlah pelamar (ukuran rasio seleksi).
Asumsi, Keuntungan, dan Kerugian dari Skor Pemotongan Berganda:
Untuk meringkas poin-poin yang disebutkan di atas, metode pemotongan skor benar-benar mengasumsikan hubungan nonlinier antara prediktor dan kriteria. Kedua, menolak konsep substitusi nilai tes, setidaknya di bagian tertentu dari rentang tersebut. Satu keuntungan yang jelas adalah bahwa ini biasanya merupakan metode yang mudah untuk diimplementasikan oleh petugas personalia karena tidak diperlukan prosedur atau formula komputasi yang rumit.
Namun, seperti yang telah disebutkan, sejumlah trial and error diperlukan untuk mendapatkan skor pemotongan yang akan bekerja dengan cara yang paling memuaskan. Salah satu kelemahannya yang lebih kritis adalah tidak memberikan skor tunggal untuk setiap individu yang dapat digunakan untuk memprediksi seberapa sukses dia akan berada di satu pekerjaan relatif terhadap kesuksesannya di pekerjaan lain. Dengan demikian, penempatan kerja yang sebenarnya melalui pemotongan skor bisa menjadi sangat tidak praktis.
Sistem Pencocokan Profil:
Pendekatan ketiga untuk pemilihan dan penempatan karyawan adalah sistem pencocokan profil. Ada banyak versi dari metode ini yang berbeda terutama dalam hal pencocokan profil. Namun, aspek prosedur yang tersisa agak tidak berubah dari versi ke versi. Metodenya sendiri agak sederhana. Jika seseorang memiliki k variabel (prediktor) yang dianggap penting untuk kesuksesan dalam pekerjaan, maka seseorang mengukur semua karyawan yang “sukses” dalam pekerjaan pada masing-masing k prediktor ini. Skor tersebut kemudian dirata-ratakan untuk mendapatkan profil “tipikal” pekerja yang sukses. Sebuah profil khas hipotetis ditunjukkan pada Gambar 3.11.
Dalam contoh ini, sepuluh prediktor telah digunakan untuk mendeskripsikan tipikal pekerja yang berhasil pada pekerjaan A. Seperti yang ditunjukkan oleh data, pekerja yang berhasil pada pekerjaan A akan cenderung memiliki skor tinggi (relatif terhadap pekerja lain) pada variabel 2, 3, 5, 6 , dan 8. Nilainya pada variabel 1, 4, 7, 9, dan 10 tidak berbeda jauh dengan rata-rata kinerja pekerja pada umumnya. Setelah profil ideal semacam ini diperoleh, kemudian digunakan sebagai standar untuk membandingkan profil individu dari semua pelamar baru.
Pada titik ini muncul dua pertanyaan yang agak penting dalam metode profil. Pertama, bagaimana cara menentukan prediktor mana yang relevan, yaitu mana yang harus disertakan pada profil? Kedua, mengingat bahwa elemen-elemen profil telah berhasil dipilih sepenuhnya, bagaimana seseorang menilai secara memadai tingkat kecocokan profil seseorang dengan profil ideal? Cara penyelesaian kedua masalah ini dapat sangat memengaruhi kesehatan dan validitas sistem pencocokan profil mana pun.
Pemilihan Elemen Profil:
Setiap elemen profil digunakan sebagai prediktor keberhasilan pekerjaan, seperti halnya prediktor dalam metode yang telah dibahas sebelumnya. Maka sangat penting untuk menetapkan validitas setiap elemen profil sebelum menggunakannya sebagai sarana untuk memilih dan/atau menempatkan individu pada pekerjaan. Jaminan apa yang kita miliki, misalnya, bahwa pekerja yang miskin atau tidak memuaskan tidak memiliki profil gabungan yang terlihat persis seperti yang ditunjukkan pada Gambar 3.11? Kami tidak memilikinya sama sekali, sungguh, kecuali kami terus mencari tahu secara empiris seperti apa gabungan yang tidak memuaskan itu dengan benar-benar mengukur sekelompok orang ini pada sifat yang sama dan menghitung rata-rata kelompok.
Harus jelas bahwa hanya prediktor yang menunjukkan perbedaan yang signifikan dalam skor rata-rata antara kelompok memuaskan dan tidak memuaskan yang harus dimasukkan dalam profil ideal. Sifat apa pun yang tidak secara jelas membedakan antara karyawan yang “baik” dan “buruk” hanya akan menambah kesalahan dan kebingungan dengan disisipkan ke dalam proses seleksi. Karena validasi setiap sifat adalah langkah yang diperlukan (tetapi terlalu sering diabaikan) dalam pemilihan item profil, mungkin pertanyaan yang sah untuk bertanya mengapa tidak menggunakan semua prediktor profil dalam persamaan regresi berganda (atau mungkin bahkan beberapa cut-off). ). Sebenarnya, jawabannya tergantung pada metode apa yang digunakan untuk membandingkan profil, seperti yang akan terlihat di bagian berikut .
Metode Membandingkan Profil:
Ada dua prosedur yang sangat berbeda yang dapat diadopsi dalam membandingkan profil setiap individu dengan profil ideal. Salah satu metode memilih orang-orang yang memiliki profil yang paling cocok dengan komposit. Ini pada gilirannya menghasilkan pilihan prosedur, tergantung pada bagaimana kecocokan istilah didefinisikan.
Salah satu cara untuk mendefinisikan kecocokan yang baik adalah dengan mengatakan bahwa semakin dekat titik-titik dari satu profil dengan titik-titik profil lainnya, semakin baik kecocokannya. Metode ini, kemudian, menggunakan perbedaan antara dua skor pada masing-masing sifat untuk memperoleh ukuran kesamaan (atau ketidaksamaan). Prosedur yang paling umum menghitung perbedaan ini , mengkuadratkannya, dan kemudian menjumlahkannya untuk mendapatkan ukuran kesamaan. Jadi, jika kita memiliki profil dengan k sifat, dan jika kita mendefinisikan lebih lanjut
X ij – Skor orang i pada sifat j
X 8j = Skor profil standar pada sifat j
maka D 2 = (X ij – X aj )2
dan ΣD 2 akan mewakili sejauh mana profil orang i cocok dengan profil standar. Semakin besar ΣD 2 , semakin buruk pertandingannya. Penting untuk disadari bahwa metode D 2 sama sekali tidak peduli dengan apakah skor orang i berada di atas atau di bawah komposit, yaitu, arah tidak penting dengan prosedur pencocokan ini. Yang terpenting adalah kedekatan titik profil.
Metode kedua untuk mendefinisikan kesamaan profil dinyatakan dalam istilah teman lama kita koefisien korelasi. Korelasi yang tinggi antara skor profil individu dan skor profil ideal menunjukkan bahwa kedua profil tersebut memiliki pola yang sama, yaitu individu i mendapat skor tinggi pada ciri-ciri tersebut di mana profil ideal juga memiliki skor tinggi dan ia mendapat skor rendah pada sifat-sifat tersebut. ciri-ciri dimana profil ideal juga memiliki skor rendah. Gambar 3.12 menunjukkan contoh profil yang mengilustrasikan bagaimana penggunaan metode yang berbeda untuk menilai kesamaan dapat menghasilkan individu yang berbeda yang dipilih untuk pekerjaan itu. Pemeriksaan Gambar 3.12 dengan cepat mengungkapkan bahwa pola umum skor orang B menduplikasi profil ideal atau standar jauh lebih dekat daripada skor orang A.
Namun, skor aktual yang diperoleh oleh orang A tampak lebih dekat nilainya dengan profil standar daripada skor pada profil individu B. Oleh karena itu, kita dapat berhipotesis bahwa dalam individu A seharusnya memiliki skor ΣD2 yang lebih rendah (lebih diinginkan) sementara individu B seharusnya memiliki korelasi yang lebih tinggi (lebih diinginkan) dengan standar.
Seperti yang ditunjukkan oleh data pada Tabel 3.3, ternyata memang demikian. Ketika nilai yang diberikan pada Gambar 3.12 digunakan untuk menghitung ΣD 2 , skor orang A (ΣD 2 as ) adalah 500, sedangkan skor orang B (ΣD 2 bs ) jauh lebih besar, memiliki nilai 2000. Di sisi lain, ketika korelasi antara profil dihitung, korelasi antara profil A dan profil standar dihitung r sebagai = – 1,00, sedangkan korelasi antara profil B dan standar, r bs , ternyata 1,00— persetujuan lengkap. Jadi, jika metode D2 digunakan sebagai kriteria pemilihan, kita akan memilih orang A; jika kami menggunakan korelasi antara profil sebagai metode, kami akan memilih orang B.”
Memilih Prosedur:
Prosedur mana yang terbaik adalah pertanyaan yang hanya bisa dijawab dengan cara empiris dalam setting tertentu. Kemungkinan besar, bagaimanapun, baik D2 maupun metode korelasi bukanlah teknik terbaik. Jika sifat-sifat pada profil telah dipilih atas dasar pembedaan yang signifikan antara karyawan yang baik dan yang buruk (karena mereka memang harus dipilih), maka pengurangan logisnya adalah bahwa skor tinggi pada suatu sifat yang diinginkan dan skor rendah harus dihindari (atau sebaliknya, tergantung pada sifat).
Jika kita berasumsi, seperti yang kita miliki secara umum, bahwa hubungan yang signifikan antara setiap sifat pada profil dan kesuksesan pekerjaan adalah positif dan linier, maka kita akan memilih orang menurut salah satu dari prosedur berikut:
- Pilih orang-orang yang poin profilnya cenderung tertinggi, yaitu skor profil rata-rata mereka digunakan sebagai indeks seleksi. Dengan menggunakan prosedur ini , seseorang dapat memiliki skor ΣD2 yang besar dan tetap dipilih, selama poin profilnya cenderung berada di atas poin profil yang sesuai untuk standar. Prosedur ini setara dengan menggunakan model pemilihan regresi berganda dimana setiap sifat profil merupakan prediktor dan bobot regresi diasumsikan sama untuk setiap prediktor. Skor profil rendah pada satu sifat dapat dikompensasi oleh skor profil tinggi pada sifat lain.
- Pilih orang-orang yang memiliki profil dengan skor profil rata-rata tertinggi dan yang poinnya semuanya berada di atas rekan profil ideal mereka yang sesuai. Ini, tentu saja, setara dengan kombinasi dari metode seleksi cut-off berganda dan metode regresi berganda.
Poin profil yang ideal digunakan untuk menetapkan nilai skor minimum yang dapat diterima. Semua orang yang memenuhi syarat kemudian dievaluasi melalui sistem regresi berganda. Prosedur seperti itu mungkin hanya dapat bekerja dalam kasus-kasus di mana rasio seleksi cukup kecil untuk memungkinkan seseorang menggunakan nilai cut-off yang agak ketat. Tentunya untuk menggunakan skor rata-rata pada setiap sifat untuk kelompok karyawan yang berhasil sebagai nilai minimum yang dapat diterima akan menciptakan rintangan yang berat bagi pelamar baru.
Salah satu dari prosedur terakhir ini tampaknya merupakan cara yang agak lebih dapat dibenarkan untuk menggunakan profil untuk pemilihan daripada dua prosedur pertama, D’ atau r. Konsep profil “ideal” di mana penyimpangan ke segala arah dianggap buruk dapat dipertanyakan secara serius dengan alasan logis.
Sistem Rintangan Ganda:
Sebagian besar situasi seleksi melibatkan upaya untuk memprediksi keberhasilan di kemudian hari pada beberapa tugas melalui penggunaan satu atau lebih tindakan prediksi yang diperoleh pada saat melamar pekerjaan. Namun, beberapa situasi seleksi seperti pelatihan manajemen mencakup periode yang agak panjang dan evaluasi akhir setelah beberapa waktu, tetapi dengan evaluasi sementara atau rintangan di berbagai titik kemajuan.
Pertimbangkan situasi yang diilustrasikan pada Gambar 3.13. Di sini kami telah membuat diagram program pelatihan yang mungkin digunakan oleh perusahaan besar sebagai sarana untuk menyaring, melatih, dan menempatkan lulusan perguruan tinggi baru di dalam perusahaan. Perusahaan awalnya mempekerjakan sejumlah lulusan perguruan tinggi, mungkin menggunakan nilai perguruan tinggi, wawancara, surat rekomendasi, dan tes sebagai sarana untuk memilih orang. Semua karyawan diberi tahu bahwa seleksi mereka berdasarkan masa percobaan dan bahwa mereka akan terus dievaluasi selama program pelatihan mereka. Jika kinerja selama pelatihan tidak memuaskan, mereka dapat dikeluarkan dari program.
Sudah pasti kepentingan perusahaan untuk membuat keputusan yang akurat tentang setiap individu sedini mungkin. Demikian pula, demi kepentingan terbaik karyawan, keputusan dibuat sedini mungkin. Namun, tingkat keberhasilan yang dapat diprediksi sebagai hasil dari program pelatihan meningkat dalam kebenaran (yaitu, peningkatan validitas) semakin lama kita dapat mengamati kinerja individu selama pelatihan. Pada akhir periode evaluasi ketiga, kami pasti dapat memprediksi dengan lebih akurat apakah sebuah trem akan berhasil menyelesaikan jalurnya daripada yang dapat kami lakukan pada saat ia dipekerjakan.
Situasinya cukup analog dengan masalah memprediksi nilai akhir mahasiswa. Jelas, seseorang dapat membuat prediksi yang lebih baik pada saat siswa tersebut memulai tahun seniornya daripada pada saat dia masuk perguruan tinggi. Gambar 3.14 mengilustrasikan perubahan validitas yang diharapkan secara logis terjadi dalam situasi seperti yang digambarkan pada Gambar 3.13.
Di satu sisi mekanisme situasi seperti yang ditunjukkan pada Gambar 3.13 identik dengan situasi prediktor ganda yang lebih biasa: Sejumlah prediktor keberhasilan tersedia, tetapi untuk mendapatkan setiap prediktor tambahan, waktu dan uang tambahan perlu diinvestasikan ke dalamnya. peserta pelatihan. Prediktor berurutan digunakan dalam beberapa cara.
Paling sering, salah satu metode berikut digunakan:
- Seseorang harus mendapat skor di atas skor minimum yang diinginkan pada setiap tahap evaluasi. Dengan demikian, setiap tahapan menjadi rintangan yang harus diselesaikan oleh peserta pelatihan jika ingin dipertahankan dalam program tersebut.
- Regresi berganda gabungan dihitung pada setiap titik evaluasi berturut-turut, dan probabilitas keberhasilan dihitung untuk setiap orang yang tersisa dalam program. Setiap kali probabilitas ini turun di bawah nilai arbitrer (misalnya , 25 persen), ia dikeluarkan dari program.
Masalah pembatasan jangkauan:
Salah satu kesulitan yang muncul dalam situasi seleksi berurutan adalah masalah yang dikenal sebagai efek dari “pembatasan rentang” terhadap estimasi validitas. Jika kita telah menggunakan prediktor 1 untuk memilih orang pada awalnya, dan kemudian jika kita kemudian menghitung korelasi antara prediktor I dan kriteria atau menghitung korelasi antara beberapa prediktor 2 lain dan kriteria, koefisien validitas yang dihitung r 1c atau r 2c lection terjadi. . Dengan memilih sebelumnya kami telah membatasi rentang kemampuan (dan karenanya skor prediktor) yang akan mengurangi koefisien korelasi. Memang, prediktor 1 kami bertindak dengan cara yang mirip dengan variabel kontrol dalam korelasi parsial; karena telah memperhitungkan sebagian varians, korelasi r 2c akan berkurang. Untuk mendapatkan perkiraan tentang validitas R 2c sebenarnya, seseorang dapat menggunakan rumus koreksi.
Di mana
R 2c = validitas prediktor 2 terkoreksi untuk seluruh kelompok pelamar
r 2c = validitas yang dihitung untuk prediktor 2 berdasarkan kelompok terbatas
r 1c = validitas instrumen penapisan awal, prediktor 1
r 12 = korelasi antara prediktor 1 dan 2
S 2 1 = varian prediktor 1 pada kelompok asal
S 2 1 = varian prediktor 1 dalam kelompok terbatas.
