Systèmes de prévision pour prendre des décisions en matière d'emploi

Le problème de prédiction typique, que ce soit la sélection, le placement ou les deux, implique l’utilisation d’un certain nombre de prédicteurs. Ces prédicteurs sont utilisés de la meilleure manière possible pour guider la prise de décision en matière d’emploi. Il y a des décisions telles que «doit-il être embauché pour ce travail?» Ou «doit-elle être envoyée dans ce programme de formation?» Le psychologue peut adopter plusieurs stratégies en ce qui concerne son approche du processus décisionnel. Selon le système de prévision choisi, les décisions en matière d’emploi peuvent être très différentes.

Bien que chaque système ait ses propres avantages et inconvénients, chacun fournit une méthode pour prendre des décisions concernant des personnes en fonction d'un groupe de traits ou de qualités (les prédicteurs) considérés comme pertinents pour la réussite professionnelle.

Les principaux systèmes sont:

(1) le système de régression multiple,

(2) le système de coupure multiple,

(3) le système de correspondance de profil, et

(4) Le système à multiples obstacles.

Chaque système sera examiné plus en détail dans les sections suivantes.

Système de régression multiple:

Comme son nom l'indique, ce système de placement utilise le modèle de régression multiple pour prendre des décisions concernant des individus. Le modèle de régression multiple prend la forme y = b ₁ x ₁ + b ₂ x ₂ (supposons a = 0) (3.6)

L’utilisation d’un tel modèle dans la sélection suppose que (1) les caractères x ₁ et x ₂ sont liés linéairement à la performance des critères, et que (2) la possession d’un «lot» de l’un des traits compense le fait qu’il n’ya qu'un «petit ”Du deuxième trait.

Dans une situation donnée, par exemple, où bi = 2 et b ₂ = 4 et a = 0, la formule y = 2x ₁ + 4x ₂ (3.7)

serait utilisé pour prédire la réussite au travail. Supposons qu'un score de critère de 50 puisse être considéré comme une performance satisfaisante par les employés et que tout résultat inférieur entraîne une performance non satisfaisante. Le tableau 3.2 montre quelques résultats de test sur les deux prédicteurs pour quatre candidats à un emploi théorique. Le score de critère prévu pour chaque candidat a également été calculé à l'aide de l'équation 3.7. Il convient de noter que les quatre candidats ont exactement les mêmes performances de critères prédits, même si les résultats de leurs tests sont très différents. En passant de personne A à personne D, nous voyons que leurs scores au test 2 diminuent systématiquement.

Cependant, cette baisse est compensée par une augmentation correspondante des performances du test 1. En fait, une inspection minutieuse montrera qu’un gain de deux points sur le test 1 est nécessaire pour compenser la perte de chaque point sur le test 2. Cela n’a rien de surprenant, car le poids relatif attribué au test 2 est le double de celui attribué à test 1 dans notre modèle de régression (ie, b ₁ = 2, b ₂ = 4).

La figure 3.5 montre encore plus clairement la dynamique du processus de sélection créé par les données du tableau 3.2. L'enveloppe des scores indiquée dans le diagramme de dispersion de la figure 3.5 présente une situation dans laquelle les deux prédicteurs de performance, x ₁ et x ₂, sont corrélés positivement. Si la corrélation r ₁₂ était égale à zéro, le diagramme de dispersion serait bien sûr un cercle.

Cependant, la forme du diagramme de dispersion n'est pas critique pour le concept de compromis inhérent au système de régression multiple. Comme nous avons dit que toute personne ayant un score prédit égal ou supérieur à 50 devait être considérée comme «satisfaisante», nous pouvons tracer la «ligne des 50 points» de la figure 3.5, qui présente toutes les combinaisons possibles des scores des tests 1 et 2, qui obtenir un score de critère d’exactement 50 points en utilisant l’équation 3.7. Comme le montre la figure, les quatre candidats se situent dans cette ligne.

Un aspect intéressant de la figure 3.5 est que la ligne divise la population de demandeurs d’emploi en deux groupes ou régions. Tous les candidats situés à droite et au-dessus de la ligne auront des scores critères (en utilisant l’équation 3.7) qui seront supérieurs à 50. Tous les candidats situés à gauche et au-dessous de la ligne auront des scores critères inférieurs à 50. Ainsi, seuls les premiers être acceptés pour un emploi car il est prévu que leurs performances seront satisfaisantes.

Les derniers candidats, dont les performances prévues sont moins que satisfaisantes, seront rejetés avec ce système de sélection. La figure 3.6 étend la figure 3.5 en trois dimensions, illustrant les scores des critères observés ainsi que les scores des prédicteurs pour tous les individus.

Il est important de noter que le plan de la figure 3.6 divise les employés en ceux qui seraient sélectionnés à l'aide du modèle de régression multiple donné par l'équation 3.7 et que ceux qui seraient rejetés ne sont pas le plan de régression. On l'appelle plus proprement le plan de sélection. Le lecteur est renvoyé à la figure 3.4 pour une illustration du plan de régression dans un système de régression multiple à deux prédicteurs.

Hypothèses, avantages et inconvénients du système de régression multiple:

Le système de prévision par régression multiple est une procédure de sélection puissante lorsqu'il est utilisé de manière appropriée. Si l’hypothèse de base selon laquelle toutes les relations sont linéaires est vraie, son élégance mathématique est difficile à dépasser. On sait, par exemple, que le modèle minimise les erreurs de prédiction. Un autre avantage de ce système est que les prédicteurs sont combinés pour obtenir l’estimation la plus efficace des performances ultérieures.

L'un des principaux points de controverse concernant le modèle de régression multiple concerne le principe de compromis si implicite dans son utilisation. Si X unités d'une variable peuvent être substituées à X unités sur une autre variable est toujours une question discutable. Certes, la méthode peut être extrêmement flexible. Il est possible de définir des équations pour chacun des travaux en utilisant les mêmes prédicteurs ou des prédicteurs différents. En conséquence, les scores prévus peuvent être calculés pour chaque personne pour chaque travail.

Les personnes pourraient ensuite être embauchées et affectées à un travail spécifique en appliquant une ou plusieurs des procédures suivantes:

1. Placez chaque personne sur cet emploi pour lequel le score prévu est le plus élevé. Cela suppose que l'organisation en tirera le plus grand profit si chaque personne est placée à l'endroit où elle a le plus d'aptitudes, quel que soit le montant absolu de ces aptitudes. Si aucun poste n'est vacant dans cet emploi, il serait affecté à un autre emploi pour lequel il aurait reçu le deuxième meilleur critère de notation.

Un problème avec une telle procédure est qu’il est possible que les emplois eux-mêmes aient des exigences minimales différentes pour réussir. Ainsi, il peut arriver que son meilleur score (performance prévue pour le travail A) ne soit pas suffisant pour le succès prévu de l’emploi A, alors que son deuxième meilleur score (performance prévue pour le travail B) est bien supérieur à la valeur nécessaire pour prédire le succès du travail. job B.

2. Placez chaque personne sur cet emploi où son score prévu est le plus éloigné du score minimum nécessaire pour être considéré comme satisfaisant. Cette méthode concerne davantage l'efficacité totale du système que la mesure dans laquelle chaque personne est affectée au travail pour lequel elle est la plus performante. Cela évite de mettre quelqu'un dans un travail où ses performances seront inférieures aux normes.

Systèmes de coupure multiples:

Lors de la discussion sur le système de régression multiple, il a été clairement indiqué que le modèle utilisé suppose des relations linéaires entre les prédicteurs et le critère. On s’objecte souvent à un tel système car même si, pour de nombreux caractères, il peut exister une relation linéaire entre un prédicteur et un critère sur la plus grande partie de la plage, il peut exister une quantité minimale acceptable de ce trait qui est nécessaire pour réussir. ouvrier. Ce type de relation entre la performance au travail et le test est illustré à la figure 3.7.

La fonction de critère de prédiction de la figure 3.7 montre ce qui se passe lorsque l'on suppose que:

(1) il existe une quantité minimale de la capacité de prédiction (trait X) nécessaire à la réussite professionnelle, et

(2) Un manque ou une déficience du caractère X inférieur à ce minimum ne peut être compensé par une grande capacité, qui a également démontré son aptitude à prévoir le succès au travail.

Un exemple d'une telle situation pourrait être un travail d'assemblage nécessitant à la fois une bonne vision et une dextérité manuelle. De manière générale, on pourrait trouver que plus la vision du travailleur et de sa dextérité sont bonnes, plus le travailleur a tendance à réussir. Cependant, il pourrait y avoir un point dans la dimension de la vision au-delà duquel aucune quantité de dextérité n’aiderait.

La procédure de sélection et de positionnement qui prend en compte ce problème de valeurs minimum acceptables est appelée méthode de coupure multiple, ce qui signifie qu'un point de coupure est établi séparément pour chaque prédicteur. À moins qu'une personne ait un score supérieur à la limite de tous les prédicteurs pour un emploi donné, elle ne sera pas affectée à cet emploi.

Ainsi, aucun concept d'additivité de traits n'existe avec cette méthode. Une chute au-dessous du minimum d'un prédicteur disqualifiera l'individu. Les figures 3.8 et 3.9 montrent les régions d'acceptation et de rejet en utilisant le système de seuils multiples pour des données similaires à celles utilisées pour illustrer le système de régression multiple des figures 3.5 et 3.6.

Le meilleur moyen de comparer les deux méthodes est peut-être d'indiquer en quoi elles diffèrent en ce qui concerne le choix des candidats. La figure 3.10 montre les lignes de démarcation pour les deux méthodes de sélection. Notez tout d’abord que, quelle que soit la méthode utilisée, les personnes de la zone 7 seront toujours acceptées et les personnes des zones 1, 3 et 5 seront toujours rejetées. Les personnes qui seront traitées différemment en fonction de la procédure de sélection sont celles des zones 2, 4 et 6.

En utilisant le système de sélection par régression multiple, toutes les personnes des zones 2 et 6 seront acceptées, tandis que celles de la zone 4 seront rejetées. L'inverse se produira en utilisant la procédure de coupure multiple; les personnes de la zone 4 seront acceptées et celles des zones 2 et 6 seront rejetées. La question est donc de savoir si l’opportunité de ces deux groupes d’individus est relative.

Lord (1963) a montré que la solution est mathématiquement complexe et dépend principalement de la fiabilité des deux prédicteurs. En fait, dans la plupart des cas, aucune procédure ne donne probablement la meilleure solution pour sélectionner le groupe d’employés présentant le score critère moyen le plus élevé. Au lieu de cela, la stratégie de sélection optimale semble être une forme de compromis entre les deux méthodes (voir la ligne pointillée de la figure 3.10).

Déterminer les scores de coupe:

Si l'on adopte la technique du score de coupe multiple, il devient nécessaire de décider des scores minimum acceptables distincts pour chacun des prédicteurs. Ce n’est pas une tâche facile, car il n’existe pas de méthode «correcte» pour définir un score en dessous duquel toutes les personnes seront disqualifiées. Les relations impliquées dans le ratio de sélection et le pourcentage d’employés considérés comme satisfaisants (le score de coupe), il commencera à comprendre à quel point le problème est complexe lorsque deux prédicteurs sont impliqués.

Généralement, le processus de configuration des valeurs de score de découpage devient un processus d’essais et d’erreur dans lequel différentes valeurs sont essayées pour chaque prédicteur. Le chercheur doit déterminer pour chaque paire de scores de découpage le score moyen ou composite de ceux sélectionnés par rapport aux autres combinaisons de scores de découpage. Il doit également tenir compte du nombre de postes disponibles par rapport au nombre total de candidats (mesure du ratio de sélection).

Hypothèses, avantages et inconvénients des scores de coupe multiples:

Pour résumer les points énoncés ci-dessus, la méthode de découpage des scores suppose en réalité une relation non linéaire entre les prédicteurs et les critères. Deuxièmement, elle rejette le concept de substitution des résultats aux tests, du moins dans certaines parties de la plage. L’avantage évident est que c’est une méthode facile à mettre en œuvre pour le personnel, car aucune procédure ou formule de calcul complexe n’est requise.

Cependant, comme cela a été mentionné, un certain nombre d’essais et d’erreurs est nécessaire pour obtenir des scores coupants qui fonctionneront de la manière la plus satisfaisante possible. L'un de ses inconvénients les plus critiques est qu'il ne fournit pas un score unique pour chaque individu, qui peut être utilisé pour prédire le succès de son travail sur un travail par rapport à son succès sur un autre travail. Ainsi, le placement effectif via des scores de coupe peut devenir extrêmement lourd.

Système de correspondance de profil:

Une troisième approche de la sélection et du placement des employés est le système de correspondance de profils. Il existe de nombreuses versions de cette méthode qui diffèrent principalement par la manière dont les profils sont appariés. Cependant, les aspects restants de la procédure sont plutôt invariants d'une version à l'autre. La méthode elle-même est plutôt simple. Si on a k variables (prédicteurs) qui sont acceptées comme importantes pour la réussite au travail, on mesure alors tous les employés «performants» au travail avec chacun de ces k prédicteurs. Les scores sont ensuite moyennés pour obtenir un profil «typique» du travailleur ayant réussi. Un profil typique hypothétique est présenté à la figure 3.11.

Dans cet exemple, dix prédicteurs ont été utilisés pour décrire le travailleur type ayant réussi le travail A. Comme l'indiquent les données, un travailleur ayant réussi le travail A aura tendance à avoir des scores élevés (par rapport aux autres travailleurs) pour les variables 2, 3, 5, 6. et 8. Ses scores pour les variables 1, 4, 7, 9 et 10 ne diffèrent pas beaucoup de la performance moyenne des travailleurs en général. Une fois que ce type de profil idéal a été obtenu, il est ensuite utilisé comme norme à laquelle sont comparés les profils individuels de tous les nouveaux candidats.

À ce stade, deux questions assez importantes se posent dans la méthode du profil. Premièrement, comment décide-t-on quels prédicteurs sont pertinents, c’est-à-dire lesquels devraient être inclus dans le profil? Deuxièmement, étant donné que les éléments de profil ont été sélectionnés avec succès, comment juger de manière adéquate dans quelle mesure le profil d’un individu correspond au profil idéal? La manière dont ces deux problèmes sont résolus peut avoir une influence considérable sur la validité et la validité éventuelles de tout système d’appariement de profils.

Sélection des éléments de profil:

Chaque élément de profil sert de prédicteur de la réussite d'un travail, de même que les prédicteurs des méthodes décrites précédemment. Il est donc essentiel d’établir la validité de chaque élément de profil avant de l’utiliser comme moyen de sélection et / ou d’emploi de personnes. Quelle assurance avons-nous, par exemple, que les travailleurs pauvres ou insatisfaisants n’ont pas un profil composite qui ressemble exactement à celui présenté à la figure 3.11? En réalité, nous n'en avons aucune, à moins que nous ne cherchions de manière empirique à quoi ressemble un composite peu satisfaisant en mesurant réellement un groupe de ces personnes sur les mêmes traits et en calculant la moyenne des groupes.

Il devrait être évident que seuls les prédicteurs présentant une différence significative dans les scores moyens entre les groupes satisfaisant et non satisfaisant devraient être inclus dans le profil idéal. Tout trait qui ne fait pas clairement la différence entre les «bons» et les «pauvres» employés ne fera qu'ajouter des erreurs et de la confusion en intervenant dans le processus de sélection. Étant donné que la validation de chaque trait est une étape nécessaire (mais trop souvent ignorée) dans la sélection des éléments de profil, il peut être légitime de se demander pourquoi ne pas utiliser simplement tous les prédicteurs de profil dans une équation de régression multiple (ou peut-être même une valeur limite multiple). ). En réalité, la réponse à cette question dépend de la méthode employée pour comparer les profils, comme on le verra dans la section suivante.

Méthodes de comparaison des profils:

Il existe deux procédures très différentes qui peuvent être adoptées pour comparer les profils de chaque individu au profil idéal. Une méthode sélectionne les personnes dont les profils correspondent le mieux au composite. Cela entraîne à son tour un choix de procédures, en fonction de la définition de la correspondance du terme.

Une façon de définir un bon match est de dire que plus les points d'un profil sont proches des points de l'autre profil, meilleur est le match. Cette méthode utilise ensuite les différences entre les deux scores sur chaque trait pour obtenir une mesure de similarité (ou de dissimilarité). La procédure la plus courante calcule ces différences, les met en carré, puis les additionne pour obtenir une mesure de similarité. Ainsi, si nous avons un profil avec k traits, et si nous définissons davantage

X _ij - Score de la personne i sur le trait j

X _8j = Score du profil standard sur le trait j

alors D ² = (X _ij - X _aj ) 2

et ΣD ² représenterait la mesure dans laquelle le profil de la personne i correspondait au profil standard. Plus ΣD ^{2 est grand}, plus le match est pauvre. Il est important de réaliser que la méthode D ² ne se préoccupe pas du tout de savoir si les scores de la personne que je tombe au-dessus ou au-dessous du composite, c'est-à-dire que la direction n'est pas importante avec cette procédure d'appariement. Tout ce qui compte est la proximité des points de profil.

Une deuxième méthode de définition de la similarité de profil est exprimée en fonction de notre ancien ami, le coefficient de corrélation. Une forte corrélation entre les scores d'un individu est son profil et les scores du profil idéal indiquent que les deux profils ont des modèles similaires, c'est-à-dire qu'un individu i obtient des scores élevés sur les traits pour lesquels le profil idéal présente également des scores élevés et des scores faibles pour ceux traits où le profil idéal a également de faibles scores. La figure 3.12 montre des exemples de profils illustrant comment l'utilisation de différentes méthodes d'évaluation de la similarité peut avoir pour résultat la sélection de différentes personnes. L’examen de la figure 3.12 révèle rapidement que la tendance générale des scores de la personne B est beaucoup plus proche de celle du profil idéal ou du profil standard que les scores de la personne A.

Cependant, les scores réels obtenus par la personne A semblent avoir une valeur plus proche de ceux du profil standard que les scores du profil de l'individu B. Nous pouvons donc émettre l’hypothèse que l’individu A devrait avoir le score de D ² le plus faible (plus souhaitable), tandis que l’individu B devrait avoir la corrélation la plus élevée (plus souhaitable) avec le standard.

Comme l'indiquent les données du tableau 3.3, tel est le cas. Lorsque les valeurs données dans la Figure 3.12 sont utilisées pour calculer ΣD ², le score de la personne A (ΣD ² _as ) est égal à 500, tandis que le score de la personne B (ΣD ² _bs ) est beaucoup plus grand, avec une valeur de 2000. Par contre, lorsque les corrélations entre les profils sont calculées, la corrélation entre le profil A et le profil standard est calculée r = = 1, 00, tandis que la corrélation entre le profil B et la norme, r _bs, est 1, 00 - accord complet. Ainsi, si la méthode D2 était utilisée comme critère de sélection, nous choisirions la personne A; si nous devions utiliser la corrélation entre les profils comme méthode, nous choisirions la personne B. »

Choisir une procédure:

Quelle est la meilleure procédure est une question qui ne peut être résolue que par des moyens empiriques dans un contexte particulier. Selon toute vraisemblance, cependant, ni la méthode D2 ni la méthode de corrélation ne sont la meilleure technique. Si les traits du profil ont été sélectionnés sur la base d’une discrimination importante entre les employés bons et les employés pauvres (comme il convient en tout cas de les sélectionner), alors la déduction logique est qu’il est souhaitable de réaliser des scores élevés sur un trait. les scores bas doivent être évités (ou vice-versa, selon le trait).

Si nous supposons, comme nous l’avons généralement fait, que la relation significative entre chaque trait du profil et le succès au travail est positive et linéaire, nous voudrions alors sélectionner les personnes selon l’une des procédures suivantes:

1. Sélectionnez les personnes dont les points de profil ont tendance à être les plus élevés, c’est-à-dire que leur score moyen est utilisé comme indice de sélection. En utilisant cette procédure, une personne peut avoir un score D ² élevé et être toujours sélectionnée, tant que ses points de profil ont tendance à être supérieurs aux points de profil correspondants pour la norme. Cette procédure équivaut à utiliser un modèle de sélection par régression multiple dans lequel chaque trait de profil est un prédicteur et où les pondérations de régression sont supposées égales pour chaque prédicteur. Les scores bas sur un trait peuvent être compensés par des scores élevés sur un autre trait.

2. Sélectionnez les personnes qui ont des profils avec le score de profil moyen le plus élevé et dont tous les points sont supérieurs à leurs homologues de profil idéaux correspondants. Ceci, bien sûr, équivaut à une combinaison de la méthode de sélection par coupure multiple et de la méthode de régression multiple.

Les points de profil idéaux sont utilisés pour établir des valeurs de score minimum acceptables. Toutes les personnes qualifiées sont ensuite évaluées via le système de régression multiple. Une telle procédure ne peut probablement fonctionner que dans les cas où le rapport de sélection est suffisamment petit pour permettre d’utiliser des valeurs seuils assez strictes. Certes, utiliser le score moyen de chaque trait pour un groupe d'employés retenus comme valeurs minimum acceptables crée un obstacle considérable pour les nouveaux candidats.

L'une ou l'autre de ces dernières procédures semble un moyen un peu plus justifiable d'utiliser les profils pour la sélection que les deux premières procédures, D 'ou r. La notion de profil «idéal» dans lequel les déviations dans n'importe quelle direction sont considérées comme mauvaises peut être sérieusement mise en doute par des raisons logiques.

Système à obstacles multiples:

La plupart des situations de sélection impliquent des tentatives de prédire le succès ultérieur d'une tâche en utilisant une ou plusieurs mesures prédictives obtenues au moment de la candidature à un poste. Cependant, certaines situations de sélection telles que la formation de cadres comprennent des périodes assez longues et une évaluation ultime après un certain temps, mais avec des évaluations intermédiaires ou des obstacles à différents stades de progrès.

Considérons la situation illustrée à la figure 3.13. Nous avons représenté ici un programme de formation qui pourrait être utilisé par une grande entreprise pour filtrer, former et placer de nouveaux diplômés au sein de l’entreprise. La société embauche initialement un nombre donné de diplômés des collèges, peut-être en utilisant des notes, des entretiens, des lettres de recommandation et des tests, comme moyen de sélectionner des personnes. Toutes les personnes embauchées se font dire que leur sélection est sur une base probatoire et qu'elles seront continuellement évaluées pendant leur programme de formation. Si la performance au cours de la formation n’est pas satisfaisante, ils peuvent être libérés du programme.

Il est certainement dans l’intérêt de la société de prendre au plus tôt une décision précise concernant chaque personne. De même, il est également dans l'intérêt de l'employé qu'une décision soit prise le plus tôt possible. Cependant, plus il est possible de prédire le succès du programme de formation, plus sa précision (c’est-à-dire sa validité) sera grande, plus on sera en mesure d’observer les performances de l’individu pendant la formation. À la fin de la troisième période d’évaluation, nous devrions pouvoir prédire avec beaucoup plus de précision si un tramway finira le parcours avec succès que nous n’avions pu le faire au moment de son embauche.

La situation est assez analogue au problème de la prédiction des notes finales des étudiants. Évidemment, on peut faire de meilleures prédictions au moment où l'élève commence sa dernière année d'études qu'il ne le fait au moment où il entre au collège. La figure 3.14 illustre le changement de validité auquel on peut s'attendre logiquement dans une situation telle que celle illustrée à la figure 3.13.

Dans un sens, les mécanismes d'une situation illustrés à la figure 3.13 sont identiques à ceux des prédicteurs multiples plus habituels: un certain nombre de prédicteurs de succès sont disponibles, mais pour obtenir chaque prédicteur supplémentaire, il est nécessaire d'investir davantage de temps et d'argent dans ce processus. stagiaire. Les prédicteurs séquentiels sont utilisés de plusieurs manières.

Le plus souvent, l'une des méthodes suivantes est utilisée:

1. Une personne doit obtenir une note supérieure à une note minimale souhaitable à chaque étape de l'évaluation. Ainsi, chaque étape devient un obstacle que le stagiaire doit franchir s'il veut rester dans le programme.

2. Une régression multiple composite est calculée à chaque point d'évaluation successif et la probabilité de succès est calculée pour chaque personne restant dans le programme. Chaque fois que cette probabilité tombe en dessous d'une valeur arbitraire (par exemple, 25%), il est supprimé du programme.

Problème de restriction de gamme:

Une difficulté qui se pose dans les situations de sélection séquentielle est un problème connu sous le nom d'effet de la «restriction de plage» sur les estimations de validité. Si nous avons utilisé le prédicteur 1 pour sélectionner les personnes initialement, puis si nous calculions ensuite la corrélation entre le prédicteur I et le critère ou si nous calculions la corrélation entre un autre prédicteur 2 et le critère, notre coefficient de validité calculé r _1c ou r _{2c a} eu lieu . En présélectionnant, nous avons restreint la plage de capacités (et donc les scores des prédicteurs), ce qui réduira le coefficient de corrélation. En effet, notre prédicteur 1 agit de manière similaire à la variable de contrôle en corrélation partielle; comme il a déjà pris en compte une partie de la variance, la corrélation r _2c sera réduite. Pour obtenir une estimation de la validité réelle de R _2c, on peut utiliser la formule de correction.