Перевод статьи THE Secret Weapon for People Analytics: Quasi-Experiments
Автор: Jackson Roatch, People Analytics @ WEX | I/O Psychology | Talent Management | Employee Listening
Секретное оружие HR-аналитики: квази-эксперименты
Предисловие: эта статья служит учебником по квазиэкспериментам, которые, возможно, являются наиболее малоиспользуемым методом в HR-аналитике. Основное внимание будет уделено предоставлению ментального инструментария для квази-экспериментов: как думать о них, как определять возможности для их использования и как их успешно использовать.
В HR-аналитике важна причинно-следственная связь
У меня есть слабость к «интеллектуальному анализу данных»: использование любых и всех доступных данных для оптимизации точности прогнозирования для некоторой целевой переменной. Нет ничего лучше, чем вставить кучу данных в алгоритм, наблюдать за тем, как ваш компьютер издает «бррррр», и испытать на себе современную магию хороших прогнозов.
С другой стороны, чтобы проекты HR-аналитики были успешными, нам часто нужно уметь объяснять «почему». Наши проекты обычно направлены на то, чтобы повлиять на решения о том, как выполняются программы, политики и процессы, и для того, чтобы сделать эти вмешательства эффективными, нам необходимо понять «истинные отношения» между переменными. Это легче сказать, чем сделать. Например, если мы обнаружили корреляцию между X и Y, мы по-прежнему сталкиваемся со следующими препятствиями для вывода о причинно-следственной связи:
- Вмешивающиеся переменные: кажущаяся связь между X и Y на самом деле может быть вызвана присутствием какого-то внешнего фактора Z.
- Ложные корреляции: существует множество способов, которыми корреляция между X и Y может быть артефактом чего-то другого. Парадокс Симпсона — хороший пример корреляции, которая исчезает после учета другого фактора.
- Временной приоритет: чтобы X вызвал Y, изменения в X должны наблюдаться до того, как мы увидим изменения в Y.
Выявление возможностей для использования квазиэкспериментов
- Будьте начеку: в текущих дискуссиях между лидерами, когда ведутся дебаты о причинах и следствиях конкретных решений или точек данных, участие в этих разговорах и определение правильных вопросов — это первый шаг к выявлению возможностей для создания идей.
- Обратите внимание на крупные события или инициативы: реорганизация, увольнения или внедрение новых вмешательств, таких как тренинги, программы или процессы, могут служить потенциальными возможностями для квази-экспериментов. Я упомянул подобные события как потенциальные искажающие факторы, но они также дают возможность изучить последствия, потому что они часто влияют на одних работников больше, чем на других.
- Остерегайтесь естественных экспериментов: когда в остальном похожие люди непреднамеренно оказываются в разных условиях, это называется естественным экспериментом. Их может быть сложно обнаружить, но они очень эффективны для причинно-следственных связей. В одном известном примере закон был принят в одном штате, но не в другом, что позволяет проводить сравнения между похожими людьми за пределами штатов. Эта ситуация является обычной в организациях, где разные отделы или подразделения могут подчинять одинаковых работников различным политикам или условиям работы, создавая вариации, которые можно использовать для создания квази-лечебных и контрольных групп.
Методы перехода к квазиэкспериментам
- Сопоставление (Matching) — один из самых основных методов, идея которого состоит в том, чтобы определить потенциальные смешанные переменные (часто демографические переменные) и сопоставить субъектов в «лечебной группе» с похожими субъектами, которые не подвергаются лечению, создавая контрольную группу. Алгоритмы сопоставления просты в использовании и очень хорошо работают, делая группы максимально похожими по выбранным вами характеристикам. Затем предполагается, что любое оставшееся различие в переменной результата связано с эффектом лечения.
- Прерывистость (Discontinuity) — элегантный метод, который использует регрессию с изюминкой: в ситуациях, когда есть некоторая точка отсечки для лечения или вмешательства, план разрыва регрессии сравнивает наблюдения, которые находятся близко к обеим сторонам отсечки. В известном примере исследователи изучили разницу в доходах за всю жизнь между людьми, которые получили 3,5 года обучения в колледже, но не закончили его, и людьми, которые закончили 4 года и закончили учебу. Спойлер: люди, получившие высшее образование, в конечном итоге зарабатывают намного больше, несмотря на то, что они лишь немного более образованны. Это называется «эффект диплома».
- Разница в различиях (Difference in differences - DID) — метод DID — это простой, но мощный метод, который позволяет вам сравнивать различия в результатах во времени между двумя группами: одной, которая получает лечение, и другой, не получающей лечения. Разница между этими двумя изменениями становится предполагаемым причинным эффектом лечения. Этот метод чрезвычайно полезен, когда вы знаете, что уже существует какой-то основной тренд. Например, если вы хотите изучить влияние новой программы ТА на время заполнения во времени, этот метод позволит вам скорректировать другие события, программы или внешние факторы, влияющие на тенденцию времени заполнения.
Комментариев нет:
Отправить комментарий