![]() |
![]() |
![]() |
![]() |
|
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
|
|
![]() |
Новые материалы |
![]() |
Облако тегов | ![]() |
События | ![]() |
![]() | полный список |
Последние обсуждения | ![]() |
![]() | 26.09.2019 16:41:06 Новый уровень безопасности дыхания |
![]() | 30.08.2019 14:26:41 Worldskills International и 3М запускают новый совместный проект «Образование во имя будущего» |
![]() | 30.08.2019 11:33:40 Молодые профессионалы за устойчивое будущее |
![]() | 24.08.2019 14:36:18 Научные эксперименты, продуктовые тесты и мировые технологии для молодых профессионалов |
![]() | 09.08.2019 16:18:31 Только оригинальные СИЗ обеспечивают гарантированную защиту |
Опросы | ![]() |
![]() | Актуальные направления работы HR вашей организации 2017 |
![]() |
HR-Блоги | ![]() |
|
![]()
|
||||||||||||||||||
Используем уже знакомый набор данных.
Напомню, что у нас есть выборка из 87 сотрудников, из которых 12 признаны
неэффективными, 29 - "звездами", остальные промежду этими группами. Все они при
приеме на работу проходили тест CPI (Калифорнийский психологический опросник
(California Psychological Inventory))
В прошлых постах я показывал, как можно отсеивать неэффективных (см.
посты
, сегодня - как отбирать звезд.
Фишка в том, что у нас просто куча шкал коррелирует с звездностью / не
звездностью работников. Это такие шкалы: Sy, Sp, Lp, Ie, Do, In, Em, Wb, Ac,
Fx, F.m, Mp, Tm.
Корреляция есть, но важно показать не просто наличие связи, а конкретную
инструкцию по тому, как отбирать звезд от не звезд.
Инструкция Сначала применяем метод дерева решений. В нашем случае инструкция
выглядит таким образом
Шаг 1. Если показывает по шкале Sp менее 56 баллов, уже не "звезда".
Шаг 2. Если показывает по шкале Sp более или равно 56 баллов, то смотрим
шкалу Fx
Шаг 3. Если показывает по шкале Fx менее 50 баллов, значит "звезда"
Точность моделиНам также необходимо оценить точность модели, т.е. сказать бизнесу
вероятность ошибки нашего прогноза.
зеленые треугольнички - наши звезды, красные точки - все остальные. По графику мы видим, что инструкция близка тому, что мы видим на картинке,
во - вторых, попадание не 100 %.
Для оценки прогностичной ценности мы разбиваем выборку на тренировочную и
тестовую выборки.
Тестовая выборка показывает следующие результаты
Из данной таблицы видно, что
Не очень весело?)
Сравнение с логистической регрессиейКроме метода дерева решений у нас есть метод логистической регрессии
Этот метода на тестовой выборке дает такую точность
Прогноз лучше. В логистической регрессии участвуют три шкалы
Те же лидерство.
Содержательная интерпетацияТакие показатели по шкалам Sp, Fx в тесте CPI свидетельствуют
И обратите внимание, что шкала Sp самая важная с т.з. ценности прогноза
(см. Инструмент отсева
неэффективных работников на этапе подбора: дерево решения).
Интересный вывод по двум постам:
Неэффективные никогда не показывают по данной шкале больше 50 баллов, а
звезды никогда не показывают по этой шкале менее 50 баллов.
Тестологи, делайте выводы
Хотите провести у себя валидизацию тестов при подборе персонала? пишите edvb()yandex.ru Отбираем "звезд" на этапе подбора с помощью тестов Метки данной записи: аналитика для hr hr-аналитика bigdata в hr отбор персонала тестирование персонала отбор персонала на основе тестов |
![]() |
Комментарии | ![]() |
Для того, чтобы размещать статьи в Блоге, Вам необходимо авторизоваться или зарегистрироваться или
Share | |
![]() |
![]() |
О проекте Реклама ![]() |
©2000-2011, HRM![]() |