Соответствует ли индивидуальная производительность труда распределению Парето?

Предупреждение о последующем документе «РАСПРЕДЕЛЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ РАБОТЫ: РОЛЬ ИЗМЕРИТЕЛЬНЫХ ХАРАКТЕРИСТИК В НАБЛЮДАЕМЫХ ОТКЛОНЕНИЯХ ОТ НОРМАЛЬНОСТИ» и последующий поиск привели меня к этому обсуждению. К сожалению, у меня нет полного доступа к этим статьям.

Из двух заданных вопросов нет, я не ожидал найти нормальное распределение и нет, я не ожидал найти распределение Парето. Как упоминалось в обсуждении в G+, на которое ссылался Артем , то, что мы склонны видеть, является некоторым асимметричным распределением, таким как логарифмически нормальное.

Хорошим инструментом для изучения подобных ситуаций, особенно в динамических/системных ситуациях, является использование имитации. Это то, что я сделал в блоге 2010 года о «принудительном ранжировании», которое в своей основе часто предполагает нормально распределенную производительность.

Пост показывает, что отбор любого рода быстро приводит к искажению населения. Этот выбор может быть либо при выборе начального уровня, либо во время цикла обзора производительности. То, что я не исследовал в этой простой модели, но опять же подтверждает результат, — это самоотбор, т. е. вероятность ухода сотрудника в некоторой степени зависит от его оценки пригодности.

Я также исследую, что произойдет, если мы используем распределение вероятностей не только для индивидуума, но также и распределение для вероятной ошибки измерения (поскольку только в редких ситуациях можно объективно измерить производительность). Иерархическая модель имеет смысл.

В своей повседневной работе, работая со старшими HR-специалистами, чтобы помочь им понять свои рабочие силы, я считаю моделирование мощным инструментом. Мы можем сделать несколько простых предположений и показать, что со временем появятся неожиданные результаты. Много раз будет показано, что нормальное распределение логически не сохраняется с течением времени.

Мне нравится, что О'Бойл и Агуинис (2012) подчеркивают важность обсуждения распределения производительности труда. Их результаты ясно демонстрируют, что для некоторых показателей производительности нормальное распределение является очень плохим представлением. Они также представляют убедительный аргумент в пользу того, почему это имеет практическое значение для управления человеческими ресурсами. Тем не менее, я думаю, что есть несколько вопросов, касающихся обобщения их результатов.

Вопрос о том, что является естественным показателем эффективности

Можно преобразовать переменную, чтобы изменить ее распределение. Например, к искаженным переменным обычно применяется логарифмическое преобразование или преобразование квадратного корня, чтобы сделать результирующую переменную приблизительно нормальной. Таким образом, чтобы говорить о распределении производительности, возникает вопрос о том, что является подходящей метрикой производительности для данной переменной.

Возьмем один конкретный пример: измерения времени на выполнение задачи часто имеют положительную асимметрию. В некоторых случаях это моделируется обратным распределением Гаусса (например, Baayen & Milin, 2010). Однако вместо того, чтобы использовать время для выполнения задачи, вы можете измерить производительность как количество раз, которое задача выполняется в единицу времени. Это будет кратно времени, обратному выполнению задачи (т. е.$c \times 1/y$куда$y$пора производить одну единицу и$c$количество времени, отведенное на повторное выполнение задачи). Помимо изменения масштаба, это также существенно изменит распределение.

Этот пример демонстрирует, что не только любой заданный показатель производительности может иметь различные распределения, но и то, что часто существует более одной естественной метрики производительности.

Как распределение может варьироваться в зависимости от задач и показателей производительности?

Ниже приводится сводка показателей эффективности, использованных в статье, результаты которых показали, что паретианское распределение лучше подходит, чем нормальное распределение.

• Академический: количество публикаций в ведущих журналах за период 9,5 лет.
• Креатив: количество номинаций на награды; количество лучших 500 песен и т. д.
• Политические: количество появлений в законодательном органе; время в офисе
• Спорт: подсчет хоумранов; количество побед; забитые голы;

Есть несколько общих элементов, описывающих эти домены производительности:

• Более высокие баллы по этим показателям достигаются благодаря тому, что они близки к лучшим в своей области. В большинстве спортивных соревнований призы распределяются неравномерно. Зарплаты и премии намного выше у тех, кто на вершине. Аналогичные аргументы можно привести и в отношении политического успеха.
• Более высокая производительность часто дает дополнительную поддержку, которая повышает производительность. Если вы успешный писатель, то, скорее всего, вы получите больше поддержки от издателей в плане продвижения и производственной поддержки.
• В задачах отсутствуют естественные ограничения производительности, и они часто нестандартизированы. Я полагаю, что распределение по более стандартизированным задачам было бы более нормальным. Например, количество вызовов, успешно обработанных в колл-центре, или количество виджетов, изготовленных на производственной линии среди достаточно обученных сотрудников, будет различаться, но распределяться будет гораздо более нормально.

В статье Теодора Миккери (1989) он проанализировал распределение результатов по широкому кругу психометрических тестов и обнаружил существенные различия в степени достижения нормальности. Хотя Micceri (1989) используется для критики вездесущности нормального распределения, в нем также подчеркивается, что распределения могут существенно различаться в зависимости от контекста и области, некоторые из которых являются нормальными, а некоторые — нет.

О'Бойл и Агуинис заявляют в своем обсуждении, что

Наш главный вывод состоит в том, что распределение индивидуальной эффективности подчиняется не распределению Гаусса, а распределению Паре.

Это полезно для поощрения тех, кто хочет продолжить исследование распределения производительности. Тем не менее, распределение производительности будет варьироваться в зависимости от задачи и используемой метрики производительности. Все наборы данных, используемые в O'Boyle и Aguinis, имеют определенные общие характеристики и не учитывают большую часть пространства производительности.

Таким образом, я думаю, что правильно сформулированный вопрос должен звучать так: «При каких условиях распределение выполнения задачи характеризуется паретианским распределением?» или, чтобы быть более охватывающим диапазон возможных распределений производительности, «что приводит к изменению распределения производительности?»

Моя первоначальная гипотеза состоит в том, что распределение производительности связано с вопросами стандартизации задач, неотъемлемыми ограничениями производительности и степенью, в которой победитель получает все. Тем не менее, я хотел бы видеть более полный обзор показателей эффективности, который систематически исследует более широкий круг задач.

использованная литература

• Микчери, Т. (1989). Единорог, нормальная кривая и другие невероятные существа. Психологический бюллетень, 105 , 156. PDF
• Баайен, Р. Х. и Милин, П. (2010). Анализ времени реакции. Международный журнал психологических исследований, 3 , 12-28. PDF