Effekter av validitet i urvalsbeslut: att välja rätt är inte svårt

Anders SjöbergUrvalsbeslut1 Comment

ClassificationI mitt förra inlägg om samvariation och förklarad varians föreslog jag att använda korrelationen som effektmått. Korrelationen kan enkelt översättas i hur stor andel i procent som kommer prestera under respektive över medel. I metaanalyser kan man hämta dessa korrelationer för att uppskatta validiteten i en urvalsproccess som du har. Tex kan ett personlighetstest ha en korrelation på 0.30 med arbetsprestation. I tabellen till höger ser du att detta ger 62% rätt beslut. Detta är ofta en underskattning sa en duktig kollega till mig igår. Varför? skriver jag om nedan.

Ett urval föregås i allmänhet av någon form av process (annonsering, search etc etc) det vill säga de strategier och metoder man använder för att värva sökande till de aktuella tjänsterna. När man ska tillsätta komplexa befattningar, som till exempel en tjänst som vd vid ett stort eller mellanstort företag, är de formella kraven förmodligen tämligen höga och välspecificerade.

Allt “förjobb” som genomförs innan själva bedömning syftar till att generera en hög baskvot. Detta personalekonomiska begrepp anger den andel av de sökande (oftast uttryckt i procent) som skulle bli framgångsrika medarbetare även om man inte tillämpade någon urvalsmetod alls. Ett antagande är att ungefär hälften av kandidaterna skulle göra ett bra jobb om de blev anställda, en baskvot på 50%. Men ibland kan det se betydligt bättre ut. I en organisation jag har kontakt med uppskattas att så många som fyra av fem presterar bra i arbetet, dvs en baskvot på 80%.

I detta fall börjar man inte från noll, själva processen innan ett personlighetstest har gjort att du har goda odds att lyckas om du singlar slant när du ska välja mellan två kandidater. Ett personlighetstest i slutprocessen ter sig som bortkastade pengar om du har 80% chans att lyckas utan någon bedömningsmetod. Det är därför som personlighetstest ska användas så tidigt som möjligt i processen när du har fler kandidater att välja mellan. Det mest gynnsamma är alltid att testa så många som möjligt så att urvalskvoten är så låg som möjligt (urvalskvoten avser den andel av alla sökande vid ett visst tillfälle som ska anställas), alltså att du ska välja ut få personer ur en större pool av kandidater. I själv verket är sannolikheten att lyckas med ett urvalsbeslut när korrelationen är 0.30, baskvoten är 80% och urvalkvoten är 10%  så hög som 92%

Så en korrelation på 0.30 kan ge en stor effekt i praktiken även om med rent numeriskt är ett relativt lågt värde.

Men varför pesonlighetstestas det på slutkandidater? Svårt att säga, men det är nog många samverkande faktorer såsom svårigheten att tänka statistisk men också testanvändarnas övertro på att kunna tolka saker i ett personlighetsresultat. Inte minst ser vi det i branschen idag i form av otaliga (några helt osannolika) resultat rapporter som kommer ut när man svarar på ca 150 frågor om sig själv. Och inte minst de sk kompetensmodellerna som ibland kan vara uppdeladet på ett 50-tal olika kompetenser. Så mitt råd till er testanvändare av personlighetstest:

– Använd inte i slutet av processen när det bara är ett par kandidater kvar att välja på

– Använd tidigt i processen tillsammans med ett begåvningtest

– Köp inte massa tolkningsrapporter, om levernatören erbjuder en mekanisk tolkning av tesresultat be leverantören att förklara vilken rational hen har för att väga ihop resultatet.

– Vikta upp begåvning och målmedvetenhet i din slutpoäng, välj dem som har högst poäng.

Nedan ser du effekter av olika Baskvoter (BK), Urvalskvoter (UK) och validitet (val). Siffrorna i mitten kan tolkas som procent rätt beslut (dvs över medelpresterare) om du multiplicerar siffrorna med 100.

TR

Dela detta inlägg

En kommentar på “Effekter av validitet i urvalsbeslut: att välja rätt är inte svårt”

  1. Pingback: Rekrytering Myndighetschefer – kompisrekryteringar eller kompetensbaserat | WeCompose

Kommentera

E-postadressen publiceras inte. Obligatoriska fält är märkta *

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.