التنبؤ بالنجاح الوظيفي (مع الرسم البياني والإحصاء)
ينطوي التنبؤ بنجاح الوظيفة على تحديد مدى ارتباط المتنبئ بالمعيار. على سبيل المثال ، لنفترض أن أحدهم كان مهتمًا بإعداد برنامج اختيار لتوظيف كتبة جديدة. افترض كذلك أنه قد تقرر استخدام اختبار الورقة والقلم للقدرات الكتابية كمؤشر محتمل لكفاءة كاتب الملفات ، وأن الكفاءة تحددها تقييمات المشرفين. يبين الجدول 2.3 بعض البيانات الافتراضية لهذه الحالة المفترضة ، حيث يعطي عشرات من كتبة الملفات في كل من الاختبار الكتابي ومقياس معيار الكفاءة ويبين الشكل 2.5 رسم بياني للبيانات الواردة في الجدول 2.3.
لاحظ أنه يبدو أن هناك اتجاه منظم. بشكل عام ، كلما كان الشخص أعلى في الاختبار الكتابي ، كانت أعلى درجة في مقياس الكفاءة الوظيفية. يمكننا أن نستنتج أن هناك علاقة محددة بين أداء الاختبار (المتنبئ) وكفاءة العمل (المعيار). يمكننا أيضًا استنتاج أنه إذا اخترنا هؤلاء الأشخاص الذين حصلوا على درجات أعلى في الاختبار ، فنحن أكثر استعدادًا لتوظيف أشخاص سيكونون أكثر كفاءة من توظيف الأشخاص بشكل مستقل عن نقاط الاختبار.
تحديد درجة العلاقة:
يمكن تعريف درجة العلاقة بين أي متغيرين على أنها مدى اختلاف هذين المتغيرين معًا بطريقة منظمة. المصطلح الأكثر تقنية لهذا هو درجة التباين الموجود بين المتغيرات. يتم توفير مقياس رسمي لدرجة التباين بين أي مجموعتين من الدرجات من خلال إحصائية تعرف بمعامل الارتباط. عندما ترتبط مجموعتان من الدرجات ارتباطًا وثيقًا ، نقول إنهما مترابطان إلى حد كبير. المقياس الأكثر شيوعًا للارتباط هو معامل ارتباط Pearson Product Moment Coefficient الذي تم تحديده بالرمز r.
وكمقياس للعلاقة ، يتراوح r بين + 1.00 و -1.00. عندما يكون r + 1.00 ، تكون مجموعتا الدرجات مرتبطة بشكل إيجابي ومثالي مع بعضها البعض. عندما يكون r هو -1.00 ، فإن مجموعتي الدرجات ترتبطان ببعضهما البعض بشكل سلبي ومثالي. عندما يكون r = 0.00 ، فإن مجموعتي الدرجات لا ترتبطان ببعضهما على الإطلاق. يوضح الشكل 2.6 الرسوم البيانية بمقاييس مختلفة من r.
عند توقع نجاح الوظيفة ، فإن علامة معامل الارتباط ليست مهمة ، ولكن الحجم هو. كلما كان حجم r المطلق أكبر ، كلما كان توقع درجات المعيار أفضل على أساس المعلومات التي تم الحصول عليها من المتنبئ.
لفهم الأساس المنطقي للارتباط قد يكون من المفيد النظر في التمثيل التصويري للتباين وعلاقته بـ r. أي مجموعة من الدرجات سوف تمتلك قدراً من التباين - في الواقع ، كما رأينا سابقاً ، تتبع عشرات الأشخاص في العديد من السمات توزيعًا طبيعيًا مع عدد صغير من الدرجات العالية جدًا ، وعدد صغير من الدرجات المنخفضة جدًا ، ومعظم من الدرجات التي تحدث في منتصف التوزيع.
لنفترض أننا نمثل هذا التباين في مجموعة من درجات المعايير كما هو موضح أعلاه حيث يتم تعريف المساحة الإجمالية بأنها 1.00. يمكننا القيام بذلك لأنه من الممكن تحويل أي مجموعة من الدرجات الأولية بحيث يصبح تباينها مساوياً لـ 1.00 باستخدام ما يعرف بتحويل درجة az.
وبالمثل ، لنفترض أن لدينا مجموعة من درجات التنبؤ التي تختلف أيضًا وتوزع بشكل طبيعي ، ومرة أخرى يتم تعريف المنطقة بأنها تساوي الكمية 1.00. يمكننا الآن أن نعرض r هندسيا على أنها تتعلق بكمية التراكب (التغاير) لمجموعتي الدرجات.
تعريف أكثر دقة لـ r كإحصاء هو أنه نسبة مقدار التباين بين متغيرين إلى الجذر التربيعي لمنتج التباينات ذات الصلة (التي تسمى في بعض الأحيان الوسط الهندسي) والتي يمكن تخطيطها كما هو موضح أدناه:
وبالرجوع إلى البيانات الواردة في الجدول 2-3 ، يمكن حساب العلاقة بين هاتين المجموعتين من الدرجات باستخدام الصيغة
يُنصح القارئ بأنه لا يمكن تفسير r كنسبة مئوية. إذا كانت r = 0.50 ، فهذا لا يعني أن 50٪ من التباين في المعيار يمكن التنبؤ به من متغير التحديد. ومع ذلك ، يمكن تفسير مربع r. يعطي الارتباط بين 0.50 ، عند التربيع ، r 2 = 0.25 ، والذي يمكن تفسيره على أنه نسبة التباين في المعيار الذي تنبأ به متغير التحديد.
ويطلق على الإحصاء r 2 أحيانًا معامل التحديد لأنه يمثل مقدار التباين في متغير واحد يمكن "تحديده" من خلال معرفة الدرجات على متغير آخر. يوضح الشكل 2.7 العلاقة بين r (قياس العلاقة) و r 2 . لاحظ أنه من الممكن الحصول على ص من الحجم الكبير إلى حد ما وما زال يمثل نسبة صغيرة فقط من تباين المعيار.
انحسار:
كما رأينا ، يقيس معامل الارتباط r درجة العلاقة بين متغيرين. ولكنه في حد ذاته لا يوفر لنا إجراء يمكننا من خلاله التنبؤ بمجموعة واحدة من الدرجات من مجموعة أخرى. يسمى الأسلوب الذي يتم من خلاله إجراء تحليل الانحدار. قد يُنظر إلى الانحدار على أنه يرتبط بالارتباط كما يلي: يقيس الارتباط حجم أو درجة العلاقة بين متغيرين ، بينما يعطي الانحدار وصفًا لنوع العلاقة بين المتغيرات التي يمكن استخدامها بدورها في إجراء التنبؤات.
لتوضيح الانحدار ، خذ بعين الاعتبار الدرجات المرسومة في الشكل 2.8 أ. من الواضح أن هناك علاقة إيجابية كبيرة موجودة بين المتنبئ والمعيار في هذه الحالة. لسوء الحظ ، لا يزودنا الشكل 2.8 أ بأي معلومات عن العلاقة الدقيقة بخلاف كونه خطي (يقيس r دائمًا درجة الخطية ، مقابل العلاقة المنحنية ، بين متغيرين). إذا أردنا التنبؤ بعلامات معيارية من بعض أجهزة الاختيار ، فمن الواضح أننا بحاجة إلى وصف العلاقة الملحوظة بين المتنبئ والمعيار بشكل أكثر تحديدًا.
يتم تحقيق ذلك عن طريق البحث عن السطر أو الدالة التي تصف نقاط البيانات بشكل أفضل. وهذا ما يسمى تركيب "خط أفضل ملاءمة" للبيانات. بما أننا نفترض أن تكون العلاقة خطية (استخدمناها r لقياس حجمها) ، يجب أن يكون نوع الخط الذي نستخدمه مستقيماً ، أي أنه لا يُسمح بأي خطوط منحنية. ويسمى هذا الخط المستقيم الأكثر ملاءمة خط الانحدار ويمكن استخدامه للتنبؤ بالمعيار من المسبار.
ﯾظﮭر اﻟﺷﮐل 2.8b ﺧطﯾن ﻣﺧﺗﻟﻔﯾن ﻣن أﻓﺿل ﻣﻼءﻣﺔ ﯾﻣﮐن اﻟﺣﺻول ﻋﻟﯾﮫ إذا طﻟﺑﻧﺎ ﻣن ﺷﺧﺻﯾن ﻣﺧﺗﻟﻔﯾن ﻓﺣص اﻟﺑﯾﺎﻧﺎت ﺛم رﺳم ﺧط ﻣن ﺧﻼل اﻟﻧﻘﺎط اﻟﺗﻲ ﺗﺑدو ﻓﻲ رأﯾﮭم أﻓﺿل ﻟﻟوﺻف ﻟﻟﺗوﺟﮫ أو اﻟﻌﻼﻗﺔ ﺑﯾن اﻟﻣﺗﻐﯾرات. في حين أن الاتجاه العام مشابه ، نجد أن الشخصين لا يتفقان تمامًا في تقديرهما للعلاقة.
يؤدي هذا الخلاف بدوره إلى اختلاف في مقياس المعيار المتوقع بناءً على خط الانحدار التقديري الذي تم استخدامه. بالنظر إلى مقدم طلب الوظيفة مع درجة x في أداة الاختيار ، فإننا نتوقع درجة معيارية من Y1 لهذا المتقدم إذا كنا سنستخدم خط الانحدار الخاص بالشخص الأول ؛ إذا استخدمنا خط الانحدار الخاص بالشخص الثاني ، فسوف نتوقع أن y 2 هي الدرجة المعيارية الأكثر احتمالًا. ما هو التراجع الصحيح؟
هذا سؤال صعب يجب الإجابة عليه ما لم يكن هناك أساس لتحديد ما هو "أفضل ملاءمة" فعلاً. ولحسن الحظ ، اتفق الإحصائيون عمومًا على أن أفضل خط ملائم هو الخط الذي يمر عبر النقاط بحيث يقلل من مجموع المسافات المربعة (في البعد ص) للنقاط من الخط كما هو موضح في الشكل 2.9.
ويسمى الخط الذي ينجح في تقليل Σd 2 خط الانحدار "المربعات الصغرى". خطوط الانحدار هذه مرتبطة رياضيا بشكل مباشر إلى r. إن استخدام طريقة المربعات الصغرى للحصول على خط التنبؤ سيضمن أن الأشخاص المختلفين سوف ينتهي بهم المطاف بنفس الخط (على افتراض عدم ارتكابهم أخطاء في الحساب). وبالمثل ، لن تختلف درجة المعيار المتوقع لأي قيمة x معينة اعتمادًا على من يلائم خط التنبؤ (انظر الشكل 2.8 ج).
في هذه المرحلة ، قد يسأل القارئ ، "لماذا نحتاج إلى توقع نتائج المعايير عندما يكون لدينا بالفعل"؟ الإجابة بسيطة للغاية. من الواضح أن القياس الأولي لمدى العلاقة بين المتنبئ والمعيار يتطلب كلا المجموعتين من الدرجات أو ما لم يكن بالإمكان تأسيس العلاقة. إذا ثبت أن جهاز التحديد مفيدًا ، فيمكن استخدامه مع جميع المتقدمين الجدد الذين يمكن أن يكون لهم علامة توقع ، ولكن لا توجد درجة معيارية لهم.
هدفنا هو التنبؤ بأداء معيار المتقدمين في المستقبل. إذا حصل المتقدم الجديد على درجة عالية من الاختبار الذي وجد أنه يتمتع بعلاقة إيجابية عالية مع المعيار ، فيجب أن نتوقع أن يكون لديه احتمال كبير بالتحول إلى توظيف ناجح.
