Prediksjonssystemer for å ta sysselsettingsbeslutninger

Det typiske prediksjonsproblemet, det være seg valg, plassering eller begge, innebærer å bruke et antall prediktorer. Disse prediktorer brukes på best mulig måte som veiledere i å ta en beslutning om sysselsetting. Det er beslutninger som "skal han bli ansatt for denne jobben?" Eller "skal hun bli sendt til dette treningsprogrammet?" Det er flere strategier som psykologen kan vedta når det gjelder hans tilnærming til beslutningsprosessen. Avhengig av det bestemte prediksjonssystemet som er vedtatt, kan ansettelsesbeslutninger vise seg ganske annerledes.

Mens hvert system har sine egne fordeler og ulemper, gir hver en metode for å ta beslutninger om mennesker basert på en gruppe egenskaper eller egenskaper (prediktorene) som antas å være relevante for jobbsuccess.

De viktigste systemene er:

(1) Det multiple regresjonssystemet,

(2) Det multiple cut-off systemet,

(3) Profil-matching systemet, og

(4) Multipel hindringssystemet.

Hvert system vil bli nærmere undersøkt i de følgende avsnittene.

Flere regresjonssystemer:

Som navnet antyder, bruker dette plasseringssystemet flere regresjonsmodeller for å ta beslutninger om enkeltpersoner. Den multiple regresjonsmodellen tar formen y = b ₁ x ₁ + b ₂ x ₂ (antar a = 0) (3.6)

Bruken av en slik modell i utvelgelsen antar at (1) egenskapene x ₁ og x ₂ er lineært relatert til kriteriumytelsen, og at (2) besittelse av et "parti" av et av egenskapene kompenserer for at de bare har en "liten" "Av det andre trekket.

Gitt en situasjon, for eksempel hvor bi = 2 og b2 = 4 og a = 0, formelen y = 2x ₁ + 4x2 (3, 7)

ville bli brukt til å forutsi jobbsuccess. La oss anta at et kriterium på 50 kunne betraktes som tilfredsstillende ytelse av de ansatte og noe mindre resulterte i ikke-tilfredsstillende ytelse. Tabell 3.2 viser noen testresultater på de to prediktorer for fire teoretiske jobbsøkere. Forutsatt kriteriepoengsum for hver søker er også beregnet ved bruk av ligning 3.7. Vær oppmerksom på at alle fire søkerne har nøyaktig samme forventede kriterieytelse selv om testmønstrene varierer ganske markant. Når vi går videre fra person A gjennom person D, ser vi at deres score på test 2 reduseres systematisk.

Imidlertid kompenseres denne dråpen med en tilsvarende økning i test 1-ytelse. Faktisk vil en nøye inspeksjon vise at en gevinst på to punkter på prøve 1 er nødvendig for å kompensere for tapet av hvert punkt på prøve 2. Dette bør ikke være overraskende, siden den relative vekten som er gitt til test 2, er to ganger gitt til test 1 i vår regresjonsmodell (dvs. b ₁ = 2, b ₂ = 4).

Figur 3.5 viser enda tydeligere dynamikken i utvalgsprosessen opprettet av dataene i tabell 3.2. Konvoluttdelen av poengene som vises i punktprotokollen i figur 3.5, presenterer en situasjon der de to prediktorer av ytelse, x ₁ og x ₂, er positivt korrelert. Hvis korrelasjonen r12 var null, ville spredningsdiagrammet selvfølgelig være en sirkel.

Imidlertid er formen på scatter-plottet ikke kritisk for avvikskonseptet som ligger i det multiple regresjonssystemet. Siden vi har sagt at enhver person med en forventet score på 50 eller bedre skulle betraktes som "tilfredsstillende", kan vi plotte "50-punkts linjen" i figur 3.5 som viser alle mulige kombinasjoner av test 1 og test 2 score som vil resultere i et kriterium score på nøyaktig 50 poeng ved å bruke ligning 3.7. Som figuren indikerer ligger alle fire søkere langs denne linjen.

Et interessant aspekt av Figur 3.5 er at linjen deler befolkningen av jobbsøkere i to grupper eller regioner. Alle søkere til høyre og over linjen skal ha kriteriepoeng (ved bruk av ligning 3, 7) som vil være over 50. Alle søkere til venstre og under linjen vil ha kriteriepoeng på under 50. Dermed vil bare de førstnevnte bli akseptert for sysselsetting siden det er spådd at deres ytelse vil være tilfredsstillende.

Sistnevnte søkere, med forventet ytelse mindre enn tilfredsstillende, vil bli avvist med dette utvalgssystemet. Figur 3.6 strekker seg til figur 3.5 i tre dimensjoner, og viser de observerte kriteriepoengene, så vel som forutsigelsespoengene for alle individer.

Det er viktig å merke seg at flyet i figur 3.6 som deler medarbeiderne til de som ville bli valgt ved hjelp av den multiple regresjonsmodellen gitt av ligning 3.7 og de som ville bli avvist, er ikke regresjonsplanet. Det er mer riktig kalt utvalgsplanet. Leseren er referert tilbake til figur 3.4 for en illustrasjon av regresjonsplanet i et to-spådommer-multiple regresjonssystem.

Forutsetninger, fordeler og ulemper ved flere regresjonssystemer:

Det multiple regresjonsprediksjonssystemet er en kraftig utvalgsprosedyre når den brukes riktig. Forutsatt at den grunnleggende antakelsen om at alle relasjoner er lineære, er det sant, det har en matematisk eleganse som er vanskelig å overskride. Man vet for eksempel at modellen minimerer feilene i prediksjon. En annen fordel ved dette systemet er at prediktorer kombineres for å oppnå det mest effektive estimatet av etterfølgende ytelse.

En av de viktigste punkter i kontroversen om den multiple regresjonsmodellen innebærer at avviksprinsippet er så implisitt i bruk. Hvorvidt X-enheter av en variabel kan erstattes av X-enheter på en annen variabel, er alltid et problem. Absolutt kan metoden være ekstremt fleksibel. Det er mulig å sette opp likninger for hver av et antall jobber med enten de samme eller forskjellige prediktorer. Som et resultat kan estimerte score beregnes for hver person for hver jobb.

Folk kan da bli ansatt og plassert på en bestemt jobb ved hjelp av en eller flere av følgende prosedyrer:

1. Plasser hver person på den jobben som den forventede poengsummen er høyest for. Dette forutsetter at organisasjonen vil tjene mest hvis hver person er plassert der han har mest mulig evne, uavhengig av den absolutte mengden av denne egenskapen. Hvis ingen stillinger er åpne i den jobben, vil han bli plassert på en annen jobb som han mottok den andre "beste kriteriepoengsummen.

Et problem med en slik prosedyre er at det er mulig at jobbene selv kan ha forskjellige minimumskrav til suksess. Dermed kan det hende at hans beste poengsum (forutsatt ytelse for jobb A) kanskje ikke er tilstrekkelig for forventet suksess på jobb A, mens hans nest beste poengsum (forventet ytelse på jobb B) kan være langt over verdien som trengs for å forutsi suksess på jobb B.

2. Plasser hver person på den jobben der hans forventede poengsum er lengst over minimumsposten som er nødvendig for å bli ansett som tilfredsstillende. Denne metoden er mer opptatt av systemets totale effektivitet i stedet for i hvilken grad hver person blir plassert på jobben, kan han bedst utføre. Det unngår å sette noen på en jobb der hans ytelse vil være undermåte.

Flere avskjæringssystemer:

Det ble tydelig påpekt i diskusjonen om det multiple regresjonssystemet at modellen som brukes, antar lineære forhold mellom prediktorene og kriteriet. Et slikt system er ofte motsatt til på grunnlag av at mens for mange egenskaper det kan være et lineært forhold mellom prediktor og kriterium over det meste av området, kan det være noe minimum akseptabelt antall av dette trekket som er nødvendig for å lykkes arbeider. Denne typen forhold mellom jobbprestasjon og test er vist i Figur 3.7.

Predikator-kriteriefunksjonen i Figur 3.7 viser hva som skjer når man antar at:

(1) Det er noe minimumsbeløp av prediktoregenskapen (egenskap X) som er nødvendig for jobbsuccess, og

(2) En hvilken som helst mangel eller mangel i egenskap X under dette minimumet kan ikke kompenseres ved å ha mye annen evne som også har vist seg å forutsi jobbsuccess.

Et eksempel på en slik situasjon kan være en forsamlingsjobb som krever både god visjon og manuell fingerferdighet. Generelt kan man finne at jo bedre en arbeiders visjon og jo bedre hans fingerferdighet, jo mer vellykket den arbeideren ville pleie å være på jobben. Det kan imidlertid være et poeng langs visjonen dimensjonen utover som ingen mengde fingerferdighet ville hjelpe.

Utvelgelses- og plasseringsprosedyren som tar hensyn til dette problemet med minimum akseptable verdier kalles den multiple cut-off-metoden, noe som betyr at et avskjæringspunkt etableres separat for hver prediktor. Med mindre en person har en poengsum over cut-offen på alle prediktorer for en gitt jobb, vil han ikke bli plassert på den jobben.

Dermed eksisterer det ikke noe konsept med additiv egenskaper av denne metoden. Faller under minimum på noen prediktor vil diskvalifisere personen. Figur 3.8 og 3.9 viser regionene av aksept og avvisning ved bruk av det multiple cut-off-systemet for data som ligner det som ble brukt til å illustrere multiple-regresjonssystemet i figurene 3.5 og 3.6.

Kanskje den beste måten å sammenligne de to metodene på er å indikere hvordan de er forskjellige når det gjelder hvem som skal velges for jobben. Figur 3.10 viser avskjæringslinjer for begge utvalgsmetoder. Merk først og fremst at uansett hvilken metode som brukes, vil disse personene i område 7 alltid bli akseptert og de personene i område 1, 3 og 5 vil alltid bli avvist. Personene som vil bli differensielt behandlet som en funksjon av utvelgelsesprosedyren, er de som er innenfor område 2, 4 og 6.

Ved bruk av flere regresjonsvalgssystem vil alle personer i område 2 og 6 bli akseptert mens de i område 4 blir avvist. Det motsatte vil forekomme ved hjelp av flere avskjæringsprosedyrer; folkene i område 4 vil bli akseptert og de i område 2 og 6 vil bli avvist. Dermed løses spørsmålet til en av de relative ønskene til disse to gruppene av individer.

Løsningen er matematisk kompleks og har blitt vist av Lord (1963) for å være primært en funksjon av påliteligheten til de to prediktorene. Faktisk, under de fleste forhold, sannsynligvis gir ingen prosedyre nøyaktig den beste løsningen ved å velge den gruppen medarbeidere med høyest gjennomsnittlige kriteriepoeng. I stedet synes den optimale utvalgsstrategien å være en form for kompromiss mellom de to metodene (se den stiplede linjen i figur 3.10).

Bestemme kuttpoeng:

Hvis man vedtar flere kuttteknikker, blir det nødvendig å bestemme seg for de separate minimum akseptable score for hver av prediktorene. Dette er ikke en enkel oppgave siden det ikke er angitt "riktig" måte å sette opp en poengsum under som alle mennesker blir diskvalifisert. Relasjonene som er involvert i utvelgelsesforholdet og prosentandelen av ansatte ansett som tilfredsstillende (kuttresultatet), vil han begynne å se hvor komplekst problemet er når to prediktorer er involvert.

Vanligvis blir prosessen med å sette opp skåringsverdier et av forsøk og feil der forskjellige verdier for hver prediktor blir prøvd. For hvert par kuttresultat må forskeren avgjøre hvor høy gjennomsnittlig eller sammensatt kriteriepoengsum av de valgte er med hensyn til andre kuttskombinasjoner. Han må også ta hensyn til antall jobbsøknader i forhold til totalt antall søkere (valgforholdsmålet).

Forutsetninger, fordeler og ulemper ved flere kuttpoeng:

For å oppsummere punktene som er angitt ovenfor, antar metoden for å kutte score virkelig et ikke-lineært forhold mellom prediktorer og kriterium. For det andre disavows begrepet substitusjon av testresultater, i hvert fall i enkelte deler av området. Den ene klare fordelen er at det vanligvis er en enkel metode for personellmannen å implementere fordi ingen utførlige beregningsmetoder eller formler kreves.

Som nevnt, er det imidlertid nødvendig med en viss prøvefeil for å få kuttresultat som vil fungere på den mest tilfredsstillende måte. En av sine mer kritiske ulemper er at den ikke gir en enkelt poengsum for hvert individ som kan brukes til å forutsi hvor vellykket han vil være på en jobb i forhold til sin suksess på en annen jobb. Dermed kan faktisk plassering via skjærepoeng bli overordentlig tungvint.

Profil Matching System:

En tredje tilnærming til valg av ansatte og plassering er profil-matching systemet. Det er mange versjoner av denne metoden som avviker primært i forhold til måten profiler matches på. Imidlertid er de gjenværende aspektene i prosedyren ganske uendret fra versjon til versjon. Metoden i seg selv er ganske enkel. Hvis man har k variabler (prediktorer) som aksepteres som viktige for suksess på jobben, måler man alle "vellykkede" ansatte på jobben på hver av disse k-spådommene. Resultatene blir da gjennomsnittet for å oppnå en "typisk" profil for en vellykket arbeidstaker. En hypotetisk typisk profil er vist i Figur 3.11.

I dette eksemplet har ti prediktorer blitt brukt til å beskrive den typiske vellykkede arbeideren på jobb A. Som dataene indikerer, vil en vellykket arbeidstaker på jobb A ha høy score (i forhold til andre arbeidstakere) på variabler 2, 3, 5, 6, og 8. Hans score på variabler 1, 4, 7, 9 og 10 avviger ikke mye fra den gjennomsnittlige ytelsen til arbeidstakere generelt. Når denne typen ideell profil er oppnådd, brukes den som standard som de enkelte profilene til alle nye søkere sammenlignes med.

På dette punktet oppstår to ganske viktige spørsmål i profilmetoden. Først hvordan bestemmer man hvilke prediktorer som er relevante, det vil si hvilke som skal inkluderes i profilen? For det andre, ettersom profilelementene er vellykket valgt, hvordan dømmer man på en tilstrekkelig måte hvilken grad en persons profil samsvarer med den ideelle profilen? Måten som disse to problemene løses på, kan enormt påvirke den eventuelle lydigheten og gyldigheten til ethvert profilsamsvarende system.

Utvalg av profilelementer:

Hvert profilelement brukes som en prediktor for jobbsuccess, som forutsigere i metodene som tidligere ble diskutert. Det er da absolutt viktig å fastslå gyldigheten av hvert profilelement før du bruker det som et middel til å velge og / eller plassere personer på jobben. Hvilken forsikring har vi for eksempel at fattige eller utilfredsstillende arbeidere ikke har en sammensatt profil som ser akkurat ut som vist i figur 3.11? Vi har ingen i det hele tatt, egentlig, med mindre vi fortsetter å finne ut empirisk hva den utilfredsstillende kompositt ser ut som ved å faktisk måle en gruppe av disse menneskene på de samme egenskapene og beregningsgruppens gjennomsnitt.

Det bør være klart at bare de prediktorer som viser en signifikant forskjell i gjennomsnittlige score mellom tilfredsstillende og utilfredsstillende grupper, bør inkluderes i den ideelle profilen. Eventuelle egenskaper som ikke tydelig skiller mellom "gode" og "dårlige" ansatte, vil bare legge til feil og forvirring ved å bli innblandet i utvelgelsesprosessen. Siden validering av hver egenskap er et nødvendig (men altfor ofte ignorert) trinn i profilelementvalg, kan det være et legitimt spørsmål å spørre hvorfor ikke bare bruke alle profilspådommer i en multiple regresjonsligning (eller kanskje til og med en flere cut-off ). Faktisk avhenger svaret på hvilken metode som brukes for å sammenligne profiler, slik det vil bli sett i det følgende avsnittet.

Metoder for å sammenligne profiler:

Det er to helt forskjellige prosedyrer som kan vedtas ved å sammenligne profilene til hvert individ til den ideelle profeten. En metode velger de personene som har profiler som passer best til kompositten. Dette resulterer igjen i valg av prosedyrer, avhengig av hvordan begrepet samsvar er definert.

En måte å definere en god kamp på er å si at jo nærmere poengene til en profil er til poengene i den andre profilen, jo bedre er kampen. Denne metoden bruker da forskjellene mellom de to resultatene på hver egenskap for å oppnå et mål på likhet (eller ulikhet). Den vanligste prosedyren beregner disse forskjellene, firkanter dem, og legger dem til for å få likhetstiltak. Dermed, hvis vi har en profil med k egenskaper, og hvis vi videre definerer

X _ij - Resultat av person jeg på egenskap j

X _8j = Resultat av standardprofil på egenskap j

da D2 = ( _Xij - X _aj ) 2

og ΣD ² representerer i hvilken grad profilen til personen jeg matchet standardprofilen. Jo større ΣD ², jo fattigere kampen. Det er viktig å innse at D ^2- metoden ikke har noe med seg selv om hvorvidt personene jeg faller over eller under kompositten, det vil si, retning ikke er viktig med denne samsvarende prosedyre. Alt som teller er nærhet av profilpunkter.

En annen metode for å definere profillikhet er uttrykt i forhold til vår gamle venn, korrelasjonskoeffisienten. En høy korrelasjon mellom antall enkeltpersoner er profil og resultatene av den ideelle profilen indikerer at de to profilene har lignende mønstre, det vil si individ som jeg vurderer høyt på de trekkene som den ideelle profilen også har høy score på, og han vurderer lavt på de egenskaper der den ideelle profilen også har lav score. Figur 3.12 viser eksempler på profiler som illustrerer hvordan bruk av forskjellige metoder for å vurdere likhet kan føre til at ulike personer blir valgt for jobben. Undersøkelse av figur 3.12 avslører raskt at det generelle mønsteret av person Bs score dupliserer den av den ideelle eller standardprofilen mye tettere enn å gjøre poengene til person A.

Imidlertid synes de faktiske poengene som er oppnådd av person A, å være nærmere i verdi enn de av standardprofilen enn scoreene på individuelle Bs profil. Vi kan derfor hypotesere at individ A burde ha den lavere (mer ønskelige) ΣD ² poengsummen mens individuelle B skulle ha den høyere korrelasjonen (mer ønskelig) med standarden.

Som dataene i Tabell 3.3 indikerer, ser det ut til å være tilfelle. Når verdiene gitt i figur 3.12 brukes til å beregne ΣD ², er person A-poengsummen (ΣD ² _as ) 500, mens person Bs score (ΣD ² _bs ) er mye større, med en verdi på 2000. På den annen side, når Sammenhenger mellom profiler beregnes, korrelasjonen mellom profil A og standardprofilen beregnes r _as = - 1, 00, mens korrelasjonen mellom profil B og standarden r _bs viser seg å være en fullstendig fullstendig avtale. Dermed, hvis D2-metoden ble brukt som et utvalgskriterium, ville vi velge person A; hvis vi var - å bruke sammenheng mellom profiler som en metode, ville vi velge person B. "

Velge en prosedyre:

Hvilken prosedyre er best er et spørsmål som kun kan besvares av empiriske midler i en bestemt innstilling. I all sannsynlighet er imidlertid ikke D2 eller korrelasjonsmetoden den beste teknikken. Hvis egenskapene i profilen er valgt ut fra å ha signifikant diskriminert mellom gode og fattige ansatte (som de absolutt burde velges), så er det logiske fradrag at høydepunkter på et trekk er ønskelig og low scorers skal unngås (eller vice versa, avhengig av egenskapen).

Hvis vi antar at det betydelige forholdet mellom hvert trekk på profilen og jobbsuksessen er positiv og lineær, vil vi velge folk etter en av følgende prosedyrer:

1. Velg de personene som har profilpoeng som er de høyeste, dvs. deres gjennomsnittlige profilpoeng blir brukt som en valgindeks. Ved å bruke denne prosedyren kan en person ha en stor ΣD ^2- poengsum og fortsatt bli valgt, så lenge profilpoengene har tendens til å ligge over de tilsvarende profilpoengene for standarden. Denne prosedyren tilsvarer bruk av en multiple-regresjonsvalgsmodell hvor hvert profiltrekk er en prediktor og regresjonsvektene antas å være like for hver prediktor. Lav profilpoeng på ett trekk kan kompenseres av høy profilpoeng på et annet trekk.

2. Velg de personene som har profiler med høyest gjennomsnittlig profilpoeng, og hvis poeng alle ligger over deres tilsvarende ideelle profilmodeller. Dette, selvfølgelig, tilsvarer en kombinasjon av den multiple cut-off-valgmetoden og multipel regresjonsmetoden.

De ideelle profilpoengene brukes til å fastslå minimum akseptable poengverdier. Alle som dermed kvalifiserer blir deretter evaluert via det multiple regresjonssystemet. En slik prosedyre kan sannsynligvis bare fungere i tilfeller der utvelgelsesforholdet er tilstrekkelig lite til å muliggjøre en bruk av ganske strenge avskjæringsverdier. Bestemt å bruke gjennomsnittlig poengsum på hvert trekk for en gruppe vellykkede medarbeidere som minimum akseptable verdier, skaper en stiv hindring for nye søkere.

Enten av disse sistnevnte prosedyrene virker en noe mer forsvarlig måte å bruke profiler for valg enn de to første prosedyrene, D 'eller r. Konseptet med en "ideell" profil der avvik i hvilken som helst retning anses som dårlig kan De alvorlig stille spørsmålstegn ved logiske grunner.

Flere forhindringssystemer:

De fleste utvalgssituasjoner involverer forsøk på å forutsi senere suksess på noen oppgaver ved bruk av en eller flere prediktive tiltak oppnådd ved søknadstidspunktet. Noen utvalgssituasjoner som ledelsestrening inkluderer imidlertid litt lange perioder og endelig evaluering etter en stund, men med foreløpige evalueringer eller hindringer på ulike punkter.

Vurder situasjonen vist i Figur 3.13. Her har vi diagrammet et treningsprogram som kan brukes av et stort selskap som et middel til screening, opplæring og plassering av nye høyskoleutdannede i konsernet. Selskapet ansetter i utgangspunktet et gitt antall akademikere, kanskje ved hjelp av høyskolekarakterer, intervjuer, anbefalingsbrev og tester som et middel til å velge folk. Alle ansettelser blir fortalt at deres valg er på prøve, og at de vil bli evaluert kontinuerlig under treningsprogrammet. Hvis ytelsen under trening ikke er tilfredsstillende, kan de bli utgitt fra programmet.

Det er sikkert i selskapets interesse å ta en nøyaktig beslutning om hver enkelt person så tidlig som mulig. Tilsvarende er det like i den ansattes interesse at en beslutning tas så tidlig som mulig. Men i hvilken grad det er mulig å forutsi suksess som et resultat av treningsprogrammet øker i korrekthet (det vil si gyldighetsøkning), jo lengre vi er i stand til å observere individets ytelse under trening. Ved utgangen av den tredje evalueringsperioden skal vi sikkert kunne forutsi mye mer nøyaktig om en trikk skal fullføre kurset vellykket enn vi kunne gjøre da han ble ansatt.

Situasjonen er ganske analog med problemet med å forutsi de endelige karakterene av studenter. Åpenbart kan man gjøre bedre spådommer når studenten begynner på sitt seniorår enn på den tiden han går inn på college. Figur 3.14 illustrerer endringen i gyldigheten som man logisk forventer å oppstå i en situasjon som den som er vist i figur 3.13.

På en måte er mekanikken til en situasjon som vist i figur 3.13 identisk med de mer vanlige multiple prediksjonssituasjonene: En rekke forutsigere for suksess er tilgjengelige, men for å oppnå hver ytterligere prediktor er det nødvendig at ytterligere tid og penger investeres i det lærling. Sekventielle prediktorer brukes på flere måter.

Ofte er en av følgende metoder ansatt:

1. En person må score over noe minimum ønskelig score i hvert evalueringsstadium. Dermed blir hvert trinn et hinder som traineeren må rydde hvis han skal oppbevares i programmet.

2. En sammensatt multipel regresjon beregnes ved hvert suksessivt evalueringspunkt, og sannsynligheten for suksess beregnes for hver person som gjenstår i programmet. Når denne sannsynligheten faller under noen vilkårlig verdi (for eksempel 25 prosent), blir han droppet fra programmet.

Problemer med begrensning av rekkevidde:

Et problem som oppstår i sekvensielle utvalgssituasjoner er et problem kjent som effekten av "begrensning av rekkevidde" ved validitetsestimater. Hvis vi har brukt prediktor 1 til å velge personer i utgangspunktet, og deretter, hvis vi deretter beregner sammenhengen mellom prediktor I og kriteriet eller beregner sammenhengen mellom noen annen prediktor 2 og kriteriet, fant våre beregnede validitetskoeffisienter r _1c eller _2c lection sted . Ved preseleksjon har vi begrenset rekkevidden av evne (og dermed prediktor score) som vil redusere korrelasjonskoeffisienten. Faktisk fungerer vår prediktor 1 på en måte som ligner kontrollvariabelen i delvis korrelasjon; siden det allerede har utgjort en del av variansen, vil korrelasjonen r _2c bli redusert. For å få et estimat av hva gyldigheten _R2c virkelig er, kan man bruke korreksjonsformelen.