Sistemas de predicción para la toma de decisiones de empleo

El problema típico de predicción, ya sea la selección, la ubicación o ambos, implica el uso de varios predictores. Estos predictores se utilizan de la mejor manera posible como guías para tomar una decisión sobre el empleo. Hay decisiones como "¿debería ser contratado para este trabajo?" O "¿debería ser enviada a este programa de capacitación?" Hay varias estrategias que el psicólogo puede adoptar en términos de su enfoque en el proceso de toma de decisiones. Dependiendo del sistema de predicción particular adoptado, las decisiones de empleo pueden resultar muy diferentes.

Si bien cada sistema tiene sus propias ventajas y desventajas, cada uno proporciona un método para tomar decisiones sobre las personas basándose en un grupo de rasgos o cualidades (los predictores) que se consideran relevantes para el éxito en el trabajo.

Los principales sistemas son:

(1) El sistema de regresión múltiple,

(2) El sistema de corte múltiple,

(3) El sistema de emparejamiento de perfiles, y

(4) El sistema de obstáculos múltiples.

Cada sistema será examinado en las siguientes secciones con mayor detalle.

Sistema de regresión múltiple:

Como su nombre lo indica, este sistema de colocación utiliza el modelo de regresión múltiple para tomar decisiones sobre individuos. El modelo de regresión múltiple toma la forma y = b ₁ x ₁ + b ₂ x ₂ (se supone que a = 0) (3.6)

El uso de un modelo de este tipo en la selección supone que (1) los rasgos x ₁ y x ₂ están relacionados linealmente con el desempeño del criterio, y que (2) la posesión de un "lote" de uno de los rasgos compensa tener solo un "pequeño ”Del segundo rasgo.

Dada una situación, por ejemplo, donde bi = 2 y b ₂ = 4 y a = 0, la fórmula y = 2x ₁ + 4x ₂ (3.7)

sería utilizado para predecir el éxito del trabajo. Supongamos que un puntaje de 50 en el criterio podría considerarse un desempeño satisfactorio por parte de los empleados y cualquier resultado menor en un desempeño no satisfactorio. La Tabla 3.2 muestra algunos resultados de las pruebas en los dos predictores para cuatro postulantes a empleos teóricos. La puntuación del criterio predicho para cada solicitante también se ha calculado utilizando la ecuación 3.7. Tenga en cuenta que los cuatro solicitantes tienen exactamente el mismo rendimiento de criterio previsto, aunque sus patrones de puntaje de prueba difieren bastante marcadamente. A medida que pasamos de la persona A a la persona D, vemos que sus calificaciones en la prueba 2 disminuyen sistemáticamente.

Sin embargo, esta caída se compensa con un aumento correspondiente en el rendimiento de la prueba 1. De hecho, una inspección minuciosa mostrará que es necesaria una ganancia de dos puntos en la prueba 1 para compensar la pérdida de cada punto en la prueba 2. Esto no debería sorprender, ya que el peso relativo dado a la prueba 2 es el doble que el de prueba 1 en nuestro modelo de regresión (es decir, b ₁ = 2, b ₂ = 4).

La Figura 3.5 muestra aún más claramente la dinámica del proceso de selección creado por los datos en la Tabla 3.2. El sobre de puntajes que se muestra en el diagrama de dispersión de la Figura 3.5 presenta una situación en la que los dos factores predictivos de rendimiento, x ₁ y x ₂, están correlacionados positivamente. Si la correlación r ₁₂ fuera cero, el diagrama de dispersión sería, por supuesto, un círculo.

Sin embargo, la forma del diagrama de dispersión no es crítica para el concepto de compensación inherente en el sistema de regresión múltiple. Ya que hemos dicho que cualquier persona con un puntaje predicho de 50 o mejor debe considerarse "satisfactoria", podemos trazar la "línea de 50 puntos" en la Figura 3.5 que muestra todas las combinaciones posibles de puntajes de las pruebas 1 y 2 que resulta en una puntuación de criterio de exactamente 50 puntos usando la ecuación 3.7. Como lo indica la figura, los cuatro solicitantes se encuentran en esta línea.

Un aspecto interesante de la Figura 3.5 es que la línea divide la población de solicitantes de empleo en dos grupos o regiones. Todos los solicitantes a la derecha y encima de la línea tendrán puntajes de criterio (usando la ecuación 3.7) que estarán por encima de 50. Todos los solicitantes a la izquierda y debajo de la línea tendrán puntajes de criterio de menos de 50. Por lo tanto, solo los primeros ser aceptado para el empleo ya que se prevé que su desempeño será satisfactorio.

Los últimos solicitantes, con un rendimiento previsto menos que satisfactorio, serán rechazados con este sistema de selección. La Figura 3.6 extiende la Figura 3.5 en tres dimensiones, mostrando las puntuaciones de los criterios observados, así como las puntuaciones de predicción para todos los individuos.

Es importante tener en cuenta que el plano en la Figura 3.6 que divide a los empleados en aquellos que serían seleccionados utilizando el modelo de regresión múltiple dado por la ecuación 3.7 y aquellos que serían rechazados no es el plano de regresión. Se llama más apropiadamente el plano de selección. Se remite al lector a la Figura 3.4 para una ilustración del plano de regresión en un sistema de regresión múltiple de dos predictores.

Suposiciones, ventajas y desventajas del sistema de regresión múltiple:

El sistema de predicción de regresión múltiple es un procedimiento de selección eficaz cuando se usa de manera adecuada. Siempre que la suposición básica de que todas las relaciones son lineales es cierta, tiene una elegancia matemática que es difícil de superar. Se sabe, por ejemplo, que el modelo minimiza los errores en la predicción. Otra ventaja de este sistema es que los predictores se combinan para obtener la estimación más eficiente del desempeño posterior.

Uno de los principales puntos de controversia sobre el modelo de regresión múltiple es el principio de compensación, tan implícito en su uso. Si las unidades X de una variable pueden sustituirse por unidades X en otra variable es siempre una cuestión discutible. Ciertamente, el método puede ser extremadamente flexible. Es posible configurar ecuaciones para cada uno de una serie de trabajos utilizando los mismos o diferentes predictores. Como resultado, las puntuaciones pronosticadas se pueden calcular para cada persona para cada trabajo.

Las personas podrían ser contratadas y colocadas en un trabajo específico utilizando uno o más de los siguientes procedimientos:

1. Coloque a cada persona en ese trabajo para el que el puntaje previsto sea más alto. Esto supone que la organización se beneficiará más si cada persona se coloca donde tiene la mayor aptitud, independientemente de la cantidad absoluta de esa aptitud. Si no hay puestos vacantes en ese puesto, se lo asignará a otro puesto para el que recibió el segundo "puntaje de mejor criterio".

Un problema con tal procedimiento es que es posible que los trabajos en sí mismos tengan diferentes requisitos mínimos para el éxito. Por lo tanto, podría suceder que su mejor puntaje (desempeño predicho para el trabajo A) no sea adecuado para el éxito predicho en el trabajo A, mientras que su segundo mejor puntaje (desempeño predicho en el trabajo B) podría estar muy por encima del valor necesario para predecir el éxito en trabajo B.

2. Coloque a cada persona en ese trabajo donde su puntaje predicho esté muy por encima del puntaje mínimo necesario para ser considerado satisfactorio. Este método se preocupa más por la eficiencia total del sistema que por la medida en que cada persona se coloca en el trabajo que puede realizar mejor. Evita poner a alguien en un trabajo en el que su desempeño sea deficiente.

Sistemas de corte múltiple:

En la discusión del sistema de regresión múltiple se señaló claramente que el modelo utilizado asume relaciones lineales entre los predictores y el criterio. Un sistema de este tipo se opone a menudo sobre la base de que mientras que para muchos rasgos puede haber una relación lineal entre el predictor y el criterio en la mayor parte del rango, puede haber una cantidad mínima aceptable de este rasgo que sea necesaria para tener éxito. obrero. Este tipo de relación entre el desempeño laboral y la prueba se muestra en la Figura 3.7.

La función de criterio de predicción en la Figura 3.7 muestra lo que sucede cuando uno asume que:

(1) Hay una cantidad mínima de la capacidad de predicción (rasgo X) necesaria para el éxito del trabajo, y

(2) Cualquier carencia o deficiencia en el rasgo X por debajo de este mínimo no puede ser compensada por tener muchas otras habilidades que también han demostrado predecir el éxito en el trabajo.

Un ejemplo de tal situación podría ser un trabajo de ensamblaje que requiera buena visión y destreza manual. En términos generales, uno puede encontrar que cuanto mejor sea la visión de un trabajador y mejor su destreza, mayor será el éxito que ese trabajador tenderá a tener en el trabajo. Sin embargo, podría haber un punto a lo largo de la dimensión de la visión más allá del cual ninguna cantidad de destreza ayudaría.

El procedimiento de selección y colocación que tiene en cuenta este problema de valores mínimos aceptables se denomina método de corte múltiple, lo que significa que se establece un punto de corte por separado para cada predictor. A menos que una persona tenga un puntaje por encima del límite en todos los predictores para un trabajo determinado, no se lo asignará.

Por lo tanto, ningún concepto de rasgos adicionales existe con este método. La caída por debajo del mínimo en cualquier predictor descalificará al individuo. Las Figuras 3.8 y 3.9 muestran las regiones de aceptación y rechazo utilizando el sistema de corte múltiple para datos similares a los utilizados para ilustrar el sistema de regresión múltiple en las Figuras 3.5 y 3.6.

Quizás la mejor manera de comparar los dos métodos es indicar cómo difieren en términos de quiénes serán seleccionados para el trabajo. La Figura 3.10 muestra las líneas de corte para ambos métodos de selección. Tenga en cuenta, en primer lugar, que independientemente del método utilizado, las personas del área 7 siempre serán aceptadas y las personas de las áreas 1, 3 y 5 siempre serán rechazadas. Las personas que serán tratadas diferencialmente en función del procedimiento de selección son aquellas en las áreas 2, 4 y 6.

Usando el sistema de selección de regresión múltiple, todas las personas en las áreas 2 y 6 serán aceptadas, mientras que aquellas en el área 4 serán rechazadas. Lo contrario ocurrirá utilizando el procedimiento de corte múltiple; las personas del área 4 serán aceptadas y las de las áreas 2 y 6 serán rechazadas. Por lo tanto, la pregunta se resuelve en uno de los deseos relativos de estos dos grupos de individuos.

La solución es matemáticamente compleja y Lord (1963) ha demostrado que es principalmente una función de la confiabilidad de los dos predictores. De hecho, en la mayoría de las condiciones, probablemente ninguno de los procedimientos ofrece exactamente la mejor solución al seleccionar ese grupo de empleados con el puntaje promedio más alto. En cambio, la estrategia de selección óptima parece ser una forma de compromiso entre los dos métodos (vea la línea de puntos en la Figura 3.10).

Determinación de las puntuaciones de corte:

Si Uno adopta la técnica de puntaje de corte múltiple, se hace necesario decidir los puntajes mínimos aceptables separados para cada uno de los predictores. Esta no es una tarea fácil, ya que no hay una forma "correcta" específica de establecer una puntuación por debajo de la cual todas las personas serán descalificadas. Las relaciones involucradas en la proporción de selección y el porcentaje de empleados considerados satisfactorios (la puntuación de corte), comenzará a ver cuán complejo es el problema cuando se involucran dos factores predictivos.

En general, el proceso de configuración de los valores de puntuación de corte se convierte en uno de prueba y error en el que se intentan diferentes valores para cada predictor. Para cada par de puntajes de corte, el investigador debe determinar qué tan alto es el puntaje de criterio promedio o compuesto de los seleccionados con respecto a otras combinaciones de puntajes de corte. También debe tener en cuenta el número de ofertas de trabajo con respecto al número total de solicitantes (la medida del índice de selección).

Suposiciones, ventajas y desventajas de múltiples puntuaciones de corte:

Para resumir los puntos mencionados anteriormente, el método de recortar puntajes realmente asume una relación no lineal entre los predictores y el criterio. En segundo lugar, desaprueba el concepto de sustitución de puntajes de pruebas, al menos en ciertas partes del rango. La única ventaja clara es que generalmente es un método fácil de implementar para el personal del personal porque no se requieren fórmulas o procedimientos computacionales elaborados.

Sin embargo, como se mencionó, una cierta cantidad de prueba y error es necesaria para obtener puntajes de corte que funcionarán de la manera más satisfactoria. Una de sus desventajas más críticas es que no proporciona una puntuación única para cada individuo que se puede usar para predecir qué tan exitoso será en un trabajo en relación con su éxito en otro. Por lo tanto, la colocación en el trabajo real a través de puntajes de corte puede llegar a ser extremadamente engorroso.

Sistema de coincidencia de perfil:

Un tercer enfoque para la selección y colocación de empleados es el sistema de coincidencia de perfiles. Existen numerosas versiones de este método que difieren principalmente en cuanto a la forma en que se combinan los perfiles. Sin embargo, los aspectos restantes del procedimiento son bastante invariantes de una versión a otra. El método en sí es bastante simple. Si uno tiene k variables (predictores) que se aceptan como importantes para el éxito en el trabajo, entonces se mide a todos los empleados "exitosos" en el trabajo en cada uno de estos k predictores. Los puntajes se promedian para obtener un perfil "típico" de un trabajador exitoso. En la Figura 3.11 se muestra un perfil típico hipotético.

En este ejemplo, se han utilizado diez predictores para describir el típico trabajador exitoso en el trabajo A. Como lo indican los datos, un trabajador exitoso en el trabajo A tenderá a tener puntuaciones altas (en relación con otros trabajadores) en las variables 2, 3, 5, 6 y 8. Sus puntuaciones en las variables 1, 4, 7, 9 y 10 no difieren mucho del rendimiento promedio de los trabajadores en general. Una vez que se ha obtenido este tipo de perfil ideal, se utiliza como un estándar contra el cual se comparan los perfiles individuales de todos los nuevos solicitantes.

En este punto surgen dos preguntas bastante importantes en el método de perfil. Primero, ¿cómo se decide qué predictores son relevantes, es decir, cuáles deberían incluirse en el perfil? Segundo, dado que los elementos del perfil se han seleccionado con éxito, ¿cómo se puede juzgar adecuadamente el grado en que el perfil de cualquier individuo coincide con el perfil ideal? La manera en que estos dos problemas se resuelven puede influir enormemente en la eventual solidez y validez de cualquier sistema de coincidencia de perfil.

Selección de elementos de perfil:

Cada elemento del perfil se utiliza como un predictor del éxito del trabajo, al igual que los predictores en los métodos discutidos anteriormente. Entonces, es ciertamente esencial establecer la validez de cada elemento del perfil antes de usarlo como un medio para seleccionar y / o colocar a individuos en el trabajo. ¿Qué seguridad tenemos, por ejemplo, de que los trabajadores pobres o insatisfactorios no tienen un perfil compuesto que se vea exactamente como el que se muestra en la Figura 3.11? Realmente, no tenemos ninguno en absoluto, a menos que procedamos a descubrir empíricamente cómo se ve el compuesto insatisfactorio al medir realmente a un grupo de estas personas en los mismos rasgos y promediando los promedios de los grupos.

Debería ser obvio que solo aquellos predictores que demuestran una diferencia significativa en las puntuaciones medias entre los grupos satisfactorios e insatisfactorios deben incluirse en el perfil ideal. Cualquier rasgo que no distinga claramente entre empleados "buenos" y "malos" solo agregará error y confusión al ser interpuesto en el proceso de selección. Dado que la validación de cada rasgo es un paso necesario (pero a menudo se ignora) en la selección del elemento del perfil, podría ser una pregunta legítima por qué no usar simplemente todos los predictores de perfil en una ecuación de regresión múltiple (o tal vez incluso un límite múltiple). ). En realidad, la respuesta a esto depende de qué método se emplea para comparar perfiles, como se verá en la siguiente sección.

Métodos de comparación de perfiles:

Hay dos procedimientos muy diferentes que pueden adoptarse al comparar los perfiles de cada individuo con el perfil ideal. Un método selecciona a las personas que tienen perfiles que coinciden más estrechamente con el compuesto. Esto a su vez resulta en una elección de procedimientos, dependiendo de cómo se define el término coincidencia.

Una forma de definir un buen partido es decir que cuanto más cerca estén los puntos de un perfil de los puntos del otro perfil, mejor será el partido. Este método, entonces, utiliza las diferencias entre las dos puntuaciones en cada rasgo para obtener una medida de similitud (o disimilitud). El procedimiento más habitual calcula estas diferencias, las ajusta en cuadratura y luego las suma para obtener una medida de similitud. Así, si tenemos un perfil con k rasgos, y si seguimos definiendo

X _ij - Puntuación de la persona i en el rasgo j

X _8j = Puntuación del perfil estándar en el rasgo j

entonces D ² = (X _ij - X _aj ) 2

y ΣD ² representaría el grado en que el perfil de la persona i coincidía con el perfil estándar. Cuanto mayor sea ΣD ², más pobre es la coincidencia. Es importante darse cuenta de que el método D ² no se preocupa en absoluto de si los puntajes de la persona i están por encima o por debajo del compuesto, es decir, la dirección no es importante con este procedimiento de comparación. Todo lo que cuenta es la cercanía de los puntos de perfil.

Un segundo método para definir la similitud de perfil se expresa en términos de nuestro antiguo amigo, el coeficiente de correlación. Una alta correlación entre los puntajes de individuo es el perfil y los puntajes del perfil ideal indican que los dos perfiles tienen patrones similares, es decir, los puntajes individuales de i en aquellos rasgos en los que el perfil ideal también tiene puntajes altos y los puntajes bajos en esos. Rasgos donde el perfil ideal también tiene puntuaciones bajas. La Figura 3.12 muestra ejemplos de perfiles que ilustran cómo el uso de diferentes métodos para evaluar la similitud puede resultar en la selección de diferentes individuos para el trabajo. El examen de la Figura 3.12 revela rápidamente que el patrón general de las puntuaciones de la persona B duplica el perfil ideal o estándar mucho más estrechamente que las puntuaciones de la persona A.

Sin embargo, los puntajes reales obtenidos por la persona A parecen tener un valor más cercano a los del perfil estándar que los puntajes del perfil de B individual. Por lo tanto, podemos suponer que el individuo A debería tener la puntuación ΣD ² más baja (más deseable), mientras que el individuo B debería tener la mayor correlación (más deseable) con el estándar.

Como lo indican los datos en la Tabla 3.3, tal es el caso. Cuando los valores dados en la Figura 3.12 se utilizan para calcular ΣD ², la puntuación de la persona A (D ² _as ) es 500, mientras que la puntuación de la persona B (ΣD ² _bs ) es mucho mayor, teniendo un valor de 2000. Por otra parte, cuando las correlaciones entre los perfiles se calculan, la correlación entre el perfil A y el perfil estándar se calcula r _como = - 1.00, mientras que la correlación entre el perfil B y el estándar, r _bs, resulta ser 1.00: concordancia completa. Por lo tanto, si el método D2 se utilizara como criterio de selección, seleccionaríamos a la persona A; si tuviéramos que usar la correlación entre los perfiles como método, seleccionaríamos a la persona B. "

Elegir un procedimiento:

Qué procedimiento es mejor es una pregunta que solo puede responderse por medios empíricos en un entorno particular. Con toda probabilidad, sin embargo, ni la D2 ni el método de correlación son la mejor técnica. Si los rasgos en el perfil han sido seleccionados sobre la base de haber discriminado significativamente entre empleados buenos y malos (como de hecho deberían ser seleccionados), entonces la deducción lógica es que se desean calificaciones altas en un rasgo y Se deben evitar los puntajes bajos (o viceversa, según el rasgo).

Si asumimos, como tenemos en general, que la relación significativa entre cada rasgo en el perfil y el éxito en el trabajo es positiva y lineal, entonces nos gustaría seleccionar personas según uno de los siguientes procedimientos:

1. Seleccione aquellas personas cuyos puntos de perfil tienden a ser los más altos, es decir, su puntaje promedio de perfil se utiliza como un índice de selección. Al usar este procedimiento, una persona podría tener una gran puntuación ^de ΣD ² y aún ser seleccionada, siempre que los puntos de su perfil tienden a estar por encima de los puntos de perfil correspondientes para el estándar. Este procedimiento es equivalente a utilizar un modelo de selección de regresión múltiple en el que cada rasgo de perfil es un predictor y los pesos de regresión se suponen iguales para cada predictor. Las puntuaciones de perfil bajo en un rasgo pueden ser compensadas por puntuaciones de perfil alto en otro rasgo.

2. Seleccione aquellas personas que tienen perfiles con la puntuación de perfil promedio más alta y cuyos puntos se encuentran por encima de sus contrapartes de perfil ideal correspondientes. Esto, por supuesto, es equivalente a una combinación del método de selección de corte múltiple y el método de regresión múltiple.

Los puntos de perfil ideales se utilizan para establecer valores de puntuación mínimos aceptables. Todas las personas que califican así son evaluadas a través del sistema de regresión múltiple. Tal procedimiento probablemente solo funcione en los casos en que la proporción de selección sea lo suficientemente pequeña como para permitirle a uno emplear valores de corte bastante estrictos. Ciertamente, utilizar el puntaje promedio en cada rasgo para un grupo de empleados exitosos como valores mínimos aceptables es crear un obstáculo rígido para los nuevos solicitantes.

Cualquiera de estos últimos procedimientos parece una forma algo más justificable de usar perfiles para la selección que los dos primeros procedimientos, D 'o r. El concepto de un perfil "ideal" en el que las desviaciones en cualquier dirección se consideran malas puede ser cuestionado seriamente por razones lógicas.

Sistema de obstáculos múltiples:

La mayoría de las situaciones de selección implican intentos de predecir el éxito posterior en alguna tarea mediante el uso de una o más medidas predictivas obtenidas en el momento de la solicitud de empleo. Sin embargo, algunas situaciones de selección, como la capacitación en gestión, incluyen períodos algo largos y una evaluación final después de bastante tiempo, pero con evaluaciones provisionales o obstáculos en varios puntos de progreso.

Considere la situación ilustrada en la Figura 3.13. Aquí hemos diagramado un programa de capacitación que podría ser usado por una gran corporación como un medio de selección, capacitación y colocación de nuevos graduados universitarios dentro de la corporación. La compañía contrata inicialmente un número determinado de graduados universitarios, tal vez utilizando calificaciones universitarias, entrevistas, cartas de recomendación y exámenes como un medio para seleccionar personas. A todos los empleados se les dice que su selección es probatoria y que serán evaluados continuamente durante su programa de capacitación. Si el desempeño durante el entrenamiento no es satisfactorio, pueden ser liberados del programa.

Sin duda, a la compañía le interesa tomar una decisión precisa sobre cada individuo lo antes posible. Del mismo modo, es igualmente beneficioso para el empleado que la decisión se tome lo antes posible. Sin embargo, el grado en que es posible predecir el éxito como resultado del programa de entrenamiento aumenta en la corrección (es decir, aumenta la validez) cuanto más tiempo podemos observar el desempeño del individuo durante el entrenamiento. Al final del tercer período de evaluación, deberíamos poder predecir con mayor precisión si un tranvía terminará el curso con éxito de lo que pudimos hacer en el momento en que fue contratado.

La situación es bastante análoga al problema de predecir las calificaciones finales de los estudiantes universitarios. Obviamente, uno puede hacer mejores predicciones para cuando el estudiante comienza su último año de secundaria que cuando ingresa a la universidad. La Figura 3.14 ilustra el cambio en la validez que lógicamente se podría esperar que ocurra en una situación como la que se muestra en el diagrama de la Figura 3.13.

En un sentido, la mecánica de una situación, como se muestra en la Figura 3.13, es idéntica a las situaciones de predicción múltiple más comunes: hay una serie de factores predictivos de éxito disponibles, pero para obtener cada predictor adicional es necesario que se invierta tiempo y dinero adicionales en esa situación. aprendiz. Los predictores secuenciales se utilizan de varias maneras.

Con mayor frecuencia, se emplea uno de los siguientes métodos:

1. Una persona debe obtener un puntaje superior a un puntaje mínimo deseable en cada etapa de evaluación. Por lo tanto, cada etapa se convierte en un obstáculo que el aprendiz debe despejar si se va a mantener en el programa.

2. Se calcula una regresión múltiple compuesta en cada punto de evaluación sucesiva, y se calcula la probabilidad de éxito para cada persona que permanece en el programa. Cada vez que esta probabilidad cae por debajo de algún valor arbitrario (por ejemplo, 25 por ciento), se le retira del programa.

Problema de restricción de rango:

Una dificultad que surge en situaciones de selección secuencial es un problema conocido como el efecto de "restricción de rango" en las estimaciones de validez. Si hemos utilizado el predictor 1 para seleccionar personas inicialmente, y luego, si posteriormente calculamos la correlación entre el predictor I y el criterio o calculamos la correlación entre algún otro predictor 2 y el criterio, nuestros coeficientes de validez calculados r _1c o r _2c tendrán lugar . Al preseleccionar, hemos restringido el rango de capacidad (y, por lo tanto, las puntuaciones de predicción) que reducirá el coeficiente de correlación. De hecho, nuestro predictor 1 actúa de manera similar a la variable de control en la correlación parcial; como ya ha explicado una parte de la varianza, la correlación r _2c se reducirá. Para obtener una estimación de la validez _{real de} R _2c, se puede utilizar la fórmula de corrección.