Warning:
JavaScript is turned OFF. None of the links on this page will work until it is reactivated.
If you need help turning JavaScript On, click here.
Dieses mit IHMC CmapTools erstellte CMap hat Informationen bezüglich: Prognosen, einfache lineare Regression stellt eine Verbindung her zw. zwei intervall- skalierten Variablen (z.B. je höher der x- Wert umso höher der y-Wert), Regressionsmodell von Cleary wählt dann wie aus? über die vorhergesagte Kriteriums- leistung, es werden also die besten Kandidaten ausgewählt, Maximierung der Erfolgsrate, zwei intervall- skalierten Variablen (z.B. je höher der x- Wert umso höher der y-Wert) sieht graphisch so aus wie eine Gerade, y = a + b1*x1 + b2*x2 b1 ist Steigung des Prädiktors 1, Schätzung des Kriteriumwertes über Regressionsgerade ist nur dann fair, wenn in allen Subgruppen identische Regressionsgeraden vorliegen kann so über- prüft werden 2.Berechnung der Regressions- geraden in der Gesamtpopulation und in der Substichprobe, Modell konstanter Verhältnisse (Thorndike) fordert gleiches Verhältnis von ausgewählten Bewerbern und im Kriterium potentiell Fähigen in allen Gruppen, Prognosen (wie kann man Variablen vorhersagen?) kann man so berechnen multiple Regression, Modell konstanter Verhältnisse (Thorndike) hat diese Folgen fair gg.über den Kandidaten der leistungsschwächeren Gruppe, da die Fehler, die bei der Auswahl begangen werden, denen der leistungsstarken Gruppe entsprechen, durch Absenkung des Cut-Offs in der leistungsschwächeren Gruppe werden auch leistungsschwächere Kandidaten angenommen führt zu Absenkung der durchschn. Kriteriumsleistung der ausgewählten Kandidaten, Testfairness gliedert sich in diese prominenten Fairnessmodelle Modell konstanter Verhältnisse (Thorndike), Regressionsmodell von Cleary hat ein Problem Thorndike weist nach, dass relativ mehr Auswahlfehler zu Ungunsten der leistungs- schwächeren Gruppe ge- macht werden, Testfairness gliedert sich in diese prominenten Fairnessmodelle Regressionsmodell von Cleary, einfache lineare Regression als SPSS- Ausdruck ????, Nonlineare Regressions- modelle ist unterschiedl. weil es keinen linearen Zusammen- hang zw. Variablen, sondern kurvig oder auch andersförmig, Prognosen (wie kann man Variablen vorhersagen?) kann man so berechnen einfache lineare Regression, über die vorhergesagte Kriteriums- leistung, es werden also die besten Kandidaten ausgewählt, Maximierung der Erfolgsrate führt wozu? "qualified individualism" fair für jeden Kandidaten, weil jeder voraussichtlich bessere einem schlechteren vorgezogen wird, y = a + b*x a ist die Konstante, der y- AchsenAbschnitt, da, wo die Gerade beginnt, Regressionsmodell von Cleary bedeuted Schätzung des Kriteriumwertes über Regressionsgerade ist nur dann fair, wenn in allen Subgruppen identische Regressionsgeraden vorliegen, Modell konstanter Verhältnisse (Thorndike) hat diese Folgen durch Absenkung des Cut-Offs in der leistungsschwächeren Gruppe werden auch leistungsschwächere Kandidaten angenommen, Thorndike weist nach, dass relativ mehr Auswahlfehler zu Ungunsten der leistungs- schwächeren Gruppe ge- macht werden weil der Cut-Off dann in dieser Gruppe ein Auswahlverhältnis von mehr falsch positiven und weniger falsch negativen schafft -->potentiell fähige werden in dieser Gruppe weniger ausgewählt