Validation

这是一个模拟数据集，用于教授选择系统验证的基本原理。该数据集代表了一个消防部门选择系统预测验证中可能收集的数据。数据集包括员工ID、雇佣年份、性别、种族/民族、年龄、退伍军人身份、自我报告的残疾状态、工作任期、工作知识维度、责任心量表、情绪稳定性量表、面试官评分和最新年度绩效评级等变量。

This is a simulated dataset intended to teach the foundational principles of selection system validation. This dataset represents data that may be collected during predictive validation of a fire department's selection system. The dataset encompasses variables including Employee ID, Year of Hire, Gender, Race/Ethnicity, Age, Veteran Status, Self-reported Disability Status, Job Tenure, Job Knowledge Dimension, Conscientiousness Scale, Emotional Stability Scale, Interviewer Rating, and Most Recent Annual Performance Rating.

原始信息汇总

数据集概述

概览

该数据集模拟了一个消防部门的选拔系统预测验证过程中可能收集的数据。该部门目前使用工作知识测试进行招聘，但一直在收集更广泛的综合数据，包括面试、责任心和情绪稳定性的人格评估，以及组织任期，以补充工作知识测试。数据集包含以下变量：

• 员工ID号
• 聘用年份
• 性别
• 种族/民族
• 年龄（岁）
• 退伍军人身份
• 自我报告的残疾状态
• 工作任期（月）
• 工作知识维度（3项）
• 责任心量表（4项）
• 情绪稳定性量表（4项）
• 面试官评分（3项）
• 最新年度绩效评级

预期用途

该数据集旨在用于高级本科生或研究生的教学，这些学生对R编程和工业组织心理学有一定基础了解，或者正在修读人事决策或选拔课程。

特点

• 心理测量问卷的回答是从连续分布中模拟的，但格式为Likert类型（例如，1 = 非常不同意；5 = 非常同意）。
• 大多数变量之间的关系与现实应用一致，例如，员工任期和年龄高度相关。
• 现任员工特征与真实世界数据一致，例如，消防员样本中男性员工的比例较高，且更有可能是退伍军人。
• 尽可能地，变量之间的关系是根据元分析的$ ho$估计值模拟的。
• 创建工作知识测试分数的复合以预测绩效评估评级，结果为$R^{2}$约为0.1。
• 创建建议的选拔电池以预测绩效评估评级，结果为$R^{2}$大于0.3。
• 期望图表清楚地显示了电池与工作绩效之间的更强关系，而不是单独的工作知识测试。
• 在比较男性和女性以及白人与所有其他种族/民族群体时，建议的选拔电池的预测因子中几乎没有均值差异。
• 虽然性别和种族/民族之间存在一些统计学上的显著差异，但几乎没有实际显著的均值差异，有些对受保护类别有利。
• 仅使用工作知识测试作为绩效评估的预测因子时，对女性和种族/民族少数群体存在不利影响，远低于0.80的选拔比率标准，特别是对女性。
• 包含完整的选拔电池可以减少对女性和种族/民族少数群体的不利影响，远高于0.80的阈值，且接近1.00的性别和种族/民族选拔比率比较。
• 多项问卷的心理测量属性反映了预期的和理想的值，例如，项目-总相关性很高。

限制

• 目前没有缺失数据，但计划在下一个版本中引入，重点关注心理测量问卷的缺失数据。
• 一些人口统计和心理测量问卷之间的相关性可能是统计学上显著的，但很小，这是试图创建精确的不利影响比率的人为结果。
• 尚未评估差异相关性、差异预测和Johnson-Neyman显著性区域，但将在下一个版本中进行。
• 聘用年份和任期是独立模拟的，因此可能存在2024年聘用但有多年经验的员工；未来的版本将确保这些逻辑上一致。

搜集汇总

数据集介绍

构建方式

该数据集的构建旨在模拟消防部门选拔系统的验证过程，涵盖了从招聘测试到员工绩效评估的多个维度。具体而言，数据集包括员工ID、招聘年份、性别、种族/民族、年龄、退伍军人身份、自报残疾状况、工作任期、工作知识维度、尽责性量表、情绪稳定性量表、面试官评分及最新年度绩效评级等变量。这些数据通过模拟连续分布生成，并格式化为李克特量表形式，以确保与实际应用中的关系一致性。此外，数据集还考虑了实际消防部门员工的特征，如男性员工和退伍军人的高比例，以及变量间的关系基于元分析的ρ估计值。

使用方法

该数据集主要用于高级本科生或研究生的教学，特别是那些具备R编程基础和工业与组织心理学知识的学生。使用者可以通过分析数据集中的变量关系，理解选拔系统验证的基本原则，并评估不同选拔工具对员工绩效的影响。具体使用时，建议结合R编程进行数据分析，利用数据集中的变量构建预测模型，如通过工作知识测试分数预测绩效评估评级，或通过完整的选拔电池预测绩效评级。此外，数据集还附带了项目文档，提供了推荐的分组和评分标准，便于教学和研究使用。

背景与挑战

背景概述

Validation数据集是由Andrew J. Thurston于2024年创建，旨在模拟消防部门选拔系统的验证过程，以教授选择系统验证的基本原则。该数据集收集了消防部门在招聘过程中使用的多种评估工具的数据，包括工作知识测试、面试、性格评估和组织任期等。通过这些数据，研究人员能够评估不同选拔工具对员工绩效的预测能力，并探讨如何减少选拔过程中的不利影响。Validation数据集的创建不仅为工业与组织心理学领域的研究提供了宝贵的资源，还为高级本科生和研究生提供了一个实践平台，帮助他们理解并应用选择系统验证的理论与方法。

当前挑战

Validation数据集在构建过程中面临多项挑战。首先，数据集的模拟性质要求其变量间的关系必须与现实世界相符，这需要精确的元分析估计和复杂的模拟技术。其次，数据集在处理性别和种族/民族差异时，需确保选拔工具的公平性，避免不利影响。此外，当前版本的数据集缺乏缺失数据，未来版本计划引入缺失数据以更真实地反映实际情况。最后，数据集中的某些变量如年份雇佣和任期目前是独立模拟的，未来版本将确保这些变量逻辑上的一致性。这些挑战不仅反映了数据集构建的复杂性，也指出了未来研究的方向。

常用场景

经典使用场景

在人力资源管理与心理学领域，Validation数据集被广泛用于教学和研究，旨在模拟消防部门的选拔系统验证过程。该数据集通过模拟员工招聘过程中的各种变量，如性别、种族、年龄、工作知识测试、性格评估等，帮助学生和研究人员理解如何构建和验证有效的选拔系统。通过分析这些模拟数据，研究者可以评估不同选拔工具对员工绩效的预测能力，从而优化招聘流程。

解决学术问题

Validation数据集解决了在人力资源管理中如何有效验证选拔系统的问题。通过模拟真实世界的招聘数据，该数据集帮助研究者探讨不同选拔工具对员工绩效的影响，特别是在考虑性别、种族等敏感因素时的公平性问题。此外，数据集还提供了关于如何减少选拔过程中的不利影响（adverse impact）的见解，这对于确保招聘公平性和提高组织绩效具有重要意义。

实际应用

在实际应用中，Validation数据集为消防部门和其他组织提供了一个模拟平台，用于测试和优化其选拔系统。通过使用该数据集，组织可以评估现有选拔工具的有效性，并探索新的选拔方法，以提高招聘的准确性和公平性。此外，该数据集还可用于培训人力资源专业人员，帮助他们理解和应用选拔系统的验证技术，从而提升组织的整体招聘效率和员工素质。

数据集最近研究

最新研究方向

在人力资源管理与组织心理学领域，Validation数据集的最新研究方向主要集中在优化招聘与选拔系统的效度验证。研究者们致力于通过模拟数据来评估不同选拔工具组合对员工绩效预测的有效性，特别是关注如何通过综合使用面试、性格评估和组织任期等多元指标来提高预测准确性。此外，研究还涉及如何减少选拔过程中的不利影响，确保选拔系统对不同性别和种族群体的公平性。这些研究不仅有助于提升选拔系统的科学性和公正性，还为实际操作中的选拔策略提供了理论支持。