Prediksi keberhasilan pekerjaan melibatkan penentuan sejauh mana prediktor terkait dengan kriteria. Sebagai contoh, misalkan seseorang tertarik untuk menyiapkan program seleksi untuk mempekerjakan petugas file baru. Misalkan lebih lanjut telah diputuskan untuk menggunakan kertas dan pensil tes bakat klerikal sebagai prediktor potensi efisiensi petugas file, dan bahwa efisiensi akan ditentukan oleh peringkat supervisor. Tabel 2.3 menunjukkan beberapa data hipotetis untuk situasi yang diasumsikan ini, memberikan skor untuk dua belas panitera pada kedua tes administrasi dan ukuran kriteria efisiensi Gambar 2.5 menunjukkan grafik data pada Tabel 2.3.
Perhatikan bahwa tampaknya ada kecenderungan sistematis. Secara umum, semakin tinggi skor seseorang pada tes klerikal, semakin tinggi skornya pada ukuran kecakapan kerja. Oleh karena itu kita dapat menyimpulkan bahwa ada hubungan yang pasti antara kinerja tes (prediktor) dan kemampuan kerja (kriteria). Kami juga dapat menyimpulkan bahwa jika kami memilih orang-orang yang mendapat skor lebih tinggi pada tes, kami lebih cenderung mempekerjakan orang yang akan lebih mahir daripada jika kami mempekerjakan orang secara independen dari skor tes.
Menetapkan Derajat Hubungan:
Tingkat hubungan antara dua variabel dapat didefinisikan sebagai sejauh mana kedua variabel ini bervariasi secara sistematis. Istilah yang lebih teknis untuk ini adalah tingkat kovarian yang ada di antara variabel. Ukuran formal tingkat kovarians antara dua set skor mana pun disediakan oleh statistik yang dikenal sebagai koefisien korelasi. Ketika dua set skor sangat terkait, kami mengatakan mereka sangat berkorelasi. Ukuran korelasi yang paling umum adalah Koefisien Korelasi Pearson Product Moment yang ditandai dengan simbol r.
Sebagai ukuran hubungan, r bervariasi antara + 1,00 dan -1,00. Ketika r adalah + 1,00, kedua set nilai tersebut berhubungan secara positif dan sempurna satu sama lain. Ketika r adalah -1,00, kedua set skor tersebut saling berhubungan secara negatif dan sempurna. Ketika r = 0,00, kedua set skor tidak memiliki hubungan sama sekali. Gambar 2.6 menunjukkan grafik besaran yang berbeda dari r.
Dalam memprediksi keberhasilan pekerjaan, tanda koefisien korelasi tidak penting, tetapi besarnya. Semakin besar ukuran absolut r, semakin baik prediksi skor kriteria berdasarkan informasi yang diperoleh dari prediktor.
Untuk memahami alasan korelasi, mungkin berguna untuk mempertimbangkan representasi bergambar kovarians dan hubungannya dengan r. Serangkaian skor apa pun akan memiliki sejumlah variasi—sebenarnya, seperti yang telah kita lihat, skor orang pada banyak sifat mengikuti distribusi normal dengan sejumlah kecil skor sangat tinggi, sejumlah kecil skor sangat rendah, dan sebagian besar skor terjadi di tengah-tengah distribusi.
Misalkan kita mewakili varians ini dalam satu set skor kriteria seperti yang ditunjukkan di atas di mana luas total didefinisikan sebagai 1,00. Kita dapat melakukan ini karena dimungkinkan untuk mengubah kumpulan skor mentah apa pun sehingga variansnya menjadi sama dengan 1,00 menggunakan apa yang dikenal sebagai transformasi skor az.
Demikian pula, misalkan kita memiliki satu set skor prediktor yang juga bervariasi dan terdistribusi secara normal, dan sekali lagi area tersebut didefinisikan sama dengan kuantitas 1,00. Kita sekarang dapat merepresentasikan r secara geometris sebagai terkait dengan jumlah tumpang tindih (kovarians) dari dua set skor.
Definisi r yang lebih tepat sebagai statistik adalah rasio jumlah kovarians antara dua variabel dengan akar kuadrat dari produk dari masing-masing varians (terkadang disebut rata-rata geometris) yang dapat didiagramkan seperti yang ditunjukkan di bawah ini:
Kembali ke data yang diberikan pada Tabel 2.3, adalah mungkin untuk menghitung korelasi antara kedua kelompok skor ini dengan menggunakan rumus
Pembaca disarankan bahwa r tidak dapat diartikan sebagai persentase. Jika r = 0,50, ini tidak berarti bahwa 50 persen varian dalam kriteria dapat diprediksi dari variabel pilihan. Kuadrat r, bagaimanapun, dapat ditafsirkan demikian. Korelasi sebesar 0,50, jika dikuadratkan, menghasilkan r 2 = 0,25, yang dapat ditafsirkan sebagai persentase varian dalam kriteria yang diprediksi oleh variabel pilihan.
Statistik r 2 kadang-kadang disebut koefisien determinasi karena mewakili jumlah varians dalam satu variabel yang dapat “ditentukan” dengan mengetahui skor pada variabel kedua. Gambar 2.7 menunjukkan hubungan antara r (ukuran hubungan) dan r 2 . Perhatikan bahwa adalah mungkin untuk mendapatkan r dengan ukuran yang cukup besar dan masih memperhitungkan hanya sebagian kecil dari varians kriteria.
Regresi:
Seperti yang telah kita lihat, koefisien korelasi r mengukur tingkat hubungan antara dua variabel. Namun, dengan sendirinya, itu tidak memberi kita prosedur yang dengannya kita dapat memprediksi satu set skor dari set lainnya. Teknik yang dilakukan ini disebut analisis regresi. Regresi dapat dianggap terkait dengan korelasi sebagai berikut: Korelasi mengukur besarnya atau tingkat hubungan antara dua variabel, sedangkan regresi memberikan gambaran tentang jenis hubungan antara variabel yang pada gilirannya dapat digunakan untuk membuat prediksi.
Untuk mengilustrasikan regresi, pertimbangkan skor yang diplot pada Gambar 2.8a. Jelas ada hubungan positif substansial yang ada antara prediktor dan kriteria dalam kasus ini. Sayangnya, Gambar 2.8a tidak memberi kita informasi apa pun tentang hubungan yang tepat selain fakta bahwa itu adalah hubungan linier (r selalu hanya mengukur tingkat linier, bukan hubungan lengkung, antara dua variabel). Jika kita ingin memprediksi skor kriteria dari beberapa alat seleksi, jelas bahwa kita perlu menggambarkan hubungan yang diamati antara prediktor dan kriteria secara lebih spesifik.
Ini dilakukan dengan menemukan garis atau fungsi yang paling menggambarkan titik data. Ini disebut “garis yang paling cocok” dengan data. Karena kita mengasumsikan hubungan itu linier (kita menggunakan r untuk mengukur besarnya), jenis garis yang kita gunakan harus lurus, artinya, garis lengkung tidak diperbolehkan. Garis lurus yang paling pas ini disebut garis regresi dan dapat digunakan untuk memprediksi kriteria dari prediktor.
Gambar 2.8b menunjukkan dua garis berbeda yang paling cocok yang mungkin diperoleh jika kita meminta dua orang yang berbeda untuk memeriksa data dan kemudian menarik garis melalui titik-titik yang menurut mereka paling baik untuk menggambarkan kecenderungan atau hubungan antar variabel. Meskipun kecenderungan umumnya serupa, kami menemukan bahwa kedua orang tersebut tidak sepenuhnya setuju dengan perkiraan mereka tentang hubungan tersebut.
Ketidaksepakatan ini pada gilirannya akan menghasilkan ketidaksepakatan dalam skor kriteria yang diprediksi tergantung pada perkiraan garis regresi mana yang digunakan. Diberikan pelamar kerja dengan skor x pada instrumen seleksi, kami akan memprediksi skor kriteria y 1 untuk pelamar ini jika kami menggunakan garis regresi orang pertama; jika kita menggunakan garis regresi orang kedua kita akan memprediksi y 2 sebagai skor kriteria yang paling mungkin. Regresi mana yang benar?
Ini adalah pertanyaan yang sulit untuk dijawab kecuali ada dasar untuk memutuskan apa yang sebenarnya “paling cocok”. Untungnya, para ahli statistik pada umumnya sepakat bahwa garis yang paling pas adalah garis yang melewati titik-titik sehingga meminimalkan jumlah kuadrat jarak (dalam dimensi y) titik-titik dari garis seperti yang ditunjukkan pada Gambar 2.9.
Sebuah garis yang menyelesaikan meminimalkan Σd 2 disebut garis regresi “kuadrat terkecil”. Garis regresi seperti itu secara matematis berhubungan langsung dengan r. Menggunakan metode kuadrat terkecil untuk mendapatkan garis prediksi kami akan memastikan bahwa orang yang berbeda akan berakhir dengan garis yang sama (dengan asumsi mereka tidak membuat kesalahan dalam perhitungan). Demikian pula, prediksi skor kriteria untuk nilai x tertentu tidak akan bervariasi tergantung pada siapa yang cocok dengan garis prediksi (lihat Gambar 2.8c).
Pada titik ini pembaca mungkin bertanya, “Mengapa kita perlu memprediksi skor kriteria padahal kita sudah memilikinya?” Jawabannya cukup sederhana. Pengukuran awal sejauh mana hubungan antara prediktor dan kriteria jelas membutuhkan kedua set skor atau hubungan tidak dapat dibangun. Jika perangkat seleksi terbukti berguna, perangkat tersebut kemudian dapat digunakan dengan semua pelamar baru yang skor prediktornya mungkin ada tetapi skor kriterianya tidak ada.
Tujuan kami adalah untuk memprediksi kinerja kriteria pelamar masa depan. Jika pelamar baru mendapat skor tinggi pada tes yang ditemukan memiliki hubungan positif yang tinggi dengan kriteria tersebut, maka kita harus berharap dia memiliki kemungkinan besar untuk menjadi karyawan yang sukses.
