Applicant scores on each predictor are weighted through a multiple regression

Applicant scores on each predictor are weighted

This preview shows page 21 - 22 out of 22 pages.

Applicant scores on each predictor are weighted through a multiple regression  equation and summed to yield a total score Candidates are ranked on their regression score and selection occurs in a top-down  fashion o Multiple cut-off approach A cut-off score is established for each predictor and an applicant is required to take  all the tests or procedures Candidates are ejected if they fall below the cut-off score on any one predictor o Multiple hurdles approach Applicant must earn a passing on each predictor before advancing in the selection  process Applicants are screened out as soon as they fail to meet the cut-off score on any  one predictor o Combinations approach
Image of page 21
Errors in selection o There will always be errors in personnel selection Utility o Expected gains to be derived using a predictor o Two types of expected gains o Hiring success gains The proportion of new hires who turn out to be successful on the job Influences by Validity of new predictor Selection ratio o Proportion of job applicants selected for positions in the company o Reflects the selectivity of the hiring organizations in filling jobs Base rate o Proportion of employees currently on the job who are considered  successful o Economic gains Bottom line or monetary impact of a predictor on the organization o Limitations with utility analysis o Single selection measures o Missing variables o Simplistic assumptions o Low acceptability of statistical procedures used to derive utility values o Increase use via benchmarking
Image of page 22

  • Left Quote Icon

    Student Picture

  • Left Quote Icon

    Student Picture

  • Left Quote Icon

    Student Picture