Оригинал поста здесь Причины, по которым аналитика по персоналу (#PeopleAnalytics) не должна использовать Регрессионный анализ для прогнозирования
Перевод статьи Why #PeopleAnalytics should NOT be using regression to predict team outcomes нашего проекта переводы статей по hr-аналитике на английском.
Автор уже давно знакомый нам Max Blumberg - открою секрет, Max
Blumberg на Западе более популярен, что Josh Bersin.
Юлия Бабаева, руководитель департамента People Partners (HR) в компании Ciklum (информационные технологии). Профиль на LinkedIn
Известно ли вам, что регрессионный анализ (или любая Обобщенная линейная модель модель GLM) предполагает, что наблюдения за значением Y (результатом или зависимой переменной) независимы? Если же они не являются независимыми, то ваши коеффициенты могут быть завышенными, а прогнозы - не точными.
Предположим, вы пытаетесь определить, что является определяющим фактором для эффективности, вовлеченности или удерживает сотрудников в вашей команде; другими словами, ваша зависимая переменная – это эффективность, вовлеченность или удержание персонала.
Теперь задайте себе вопрос: показатели вовлеченности ваших сотрудников внутри одной команды независимы друг от друга? Конечно же, нет: люди внутри одной команды влияют друг на друга. Например, если сотрудник по имени Лао недоволен каким-либо аспектом своей работы и является невовлеченным, есть большой шанс, что другие члены команды будут чувствовать себя так же, и как следствие, их показатели вовлеченности не ялвяются независимыми, как того требует обобщенная линейная модель GML.
Или рассмотрим другой пример: если поведение руководителя команды влияет на эффективность одного члена команды, есть шанс, что его поведение влияет и на эффективность всей команды в целом. Поэтому, показатели эффективности членов команды не есть независимые величины, и вы нарушаете ключевое допущение регрессионого анализа, результатом чего будут являться неточность прогноза и неверные рекомендации для компании.
Я обнаружил этот важный факт при исследовании факторов, влияющих на удовлетворенность романтическими отношениями пары («команды» из двух человек) и быстро понял, что если один партнер недоволен отношениями, есть большой шанс, что и второй партнер тоже будт недоволен. Таким образом, показатели удовлетворенности не есть независимыми величинами. И регрессионный анализ даст неточный прогноз. Как же это исправить?
Решением является использование метода под названием Многоуровневая регрессионная модель (Multilevel Modeling, MLM), который не предполагает, что зависимые переменные не зависят друг от друга. Это однозначно лучший метод получить точный результат и подать верные рекомендации при работе с данными по персоналу. По факту, я бы не делал никаких проектов, связанных с аналитикой по персоналу (#PeopleAnalytics) без этого метода.
Многоуровневая регрессионная модель (MLM) как метод часто упоминалась в новостных ресурсах несколько лет назад, так как политаналитики успешно использовали ее для прогнозирования победы Трампа на выборах президента и Брексита. До этого, использовался метод регрессионного анализа, и прогнозы были неверными.
Если вы хотите избежать ошибок, допущенных политаналитиками, и хотите составлять точные прогнозы и давать действенные рекомендации о факторах эффектвиности команд в вашей организации, сделайте выбор в пользу Многоуровневой регрессионной модели (MLM) вместо Обобщенной линейной модели (GLM).
Юлия Бабаева, руководитель департамента People Partners (HR) в компании Ciklum (информационные технологии). Профиль на LinkedIn
Причины, по которым аналитика по персоналу (#PeopleAnalytics) не должна использовать Регрессионный анализ для прогнозирования
(дата публикации: 14 мая, 2020 г.)Известно ли вам, что регрессионный анализ (или любая Обобщенная линейная модель модель GLM) предполагает, что наблюдения за значением Y (результатом или зависимой переменной) независимы? Если же они не являются независимыми, то ваши коеффициенты могут быть завышенными, а прогнозы - не точными.
Предположим, вы пытаетесь определить, что является определяющим фактором для эффективности, вовлеченности или удерживает сотрудников в вашей команде; другими словами, ваша зависимая переменная – это эффективность, вовлеченность или удержание персонала.
Теперь задайте себе вопрос: показатели вовлеченности ваших сотрудников внутри одной команды независимы друг от друга? Конечно же, нет: люди внутри одной команды влияют друг на друга. Например, если сотрудник по имени Лао недоволен каким-либо аспектом своей работы и является невовлеченным, есть большой шанс, что другие члены команды будут чувствовать себя так же, и как следствие, их показатели вовлеченности не ялвяются независимыми, как того требует обобщенная линейная модель GML.
Или рассмотрим другой пример: если поведение руководителя команды влияет на эффективность одного члена команды, есть шанс, что его поведение влияет и на эффективность всей команды в целом. Поэтому, показатели эффективности членов команды не есть независимые величины, и вы нарушаете ключевое допущение регрессионого анализа, результатом чего будут являться неточность прогноза и неверные рекомендации для компании.
Я обнаружил этот важный факт при исследовании факторов, влияющих на удовлетворенность романтическими отношениями пары («команды» из двух человек) и быстро понял, что если один партнер недоволен отношениями, есть большой шанс, что и второй партнер тоже будт недоволен. Таким образом, показатели удовлетворенности не есть независимыми величинами. И регрессионный анализ даст неточный прогноз. Как же это исправить?
Решением является использование метода под названием Многоуровневая регрессионная модель (Multilevel Modeling, MLM), который не предполагает, что зависимые переменные не зависят друг от друга. Это однозначно лучший метод получить точный результат и подать верные рекомендации при работе с данными по персоналу. По факту, я бы не делал никаких проектов, связанных с аналитикой по персоналу (#PeopleAnalytics) без этого метода.
Многоуровневая регрессионная модель (MLM) как метод часто упоминалась в новостных ресурсах несколько лет назад, так как политаналитики успешно использовали ее для прогнозирования победы Трампа на выборах президента и Брексита. До этого, использовался метод регрессионного анализа, и прогнозы были неверными.
Если вы хотите избежать ошибок, допущенных политаналитиками, и хотите составлять точные прогнозы и давать действенные рекомендации о факторах эффектвиности команд в вашей организации, сделайте выбор в пользу Многоуровневой регрессионной модели (MLM) вместо Обобщенной линейной модели (GLM).
Комментариев нет:
Отправить комментарий