مقدمه

سازمانها برای موفقیت در صحنه رقابت باید در حوزه جذب، ارتقاء و توسعه منابع انسانی تلاش آگاهانه و هدفمند نمایند. بدین منظور از ابزارها و مدل‌های متفاوتی استفاده می‌شود تا ارزیابی و شناخت مناسبی از افراد صورت گیرد. اما هرچه تعداد متغییرهای این مدل‌ها بیشتر به هم وابسته باشند و همبستگی بیشتری داشته باشند نه تنها به ما کمکی نمی‌کنند، بلکه باعث افزایش خطا در اندازه گیری و تصمیم گیری نهایی خواهد شد. در این پست به نکته‌ای اشاره می‌کنیم که در بحث سنجش و اندازه‌گیری در سازمان‌ها، عموما نادیده گرفته می‌شود.

شاخص VIF چیست؟

این شاخص یعنی عامل تورم واریانس

عامل افزایش واریانس VIF  معیاری برای تشخیص همخطی و اشتراکات بین متغیرها است. این عامل مشخص می‌کند واریانس ضرایب رگرسیونی برآورد شده تا چه حد بیشتر از زمانی که متغیهای همبسته و مشترک در مدل وجود ندارند افزایش یافته است.

نقش شاخص VIF  در منابع انسانی و تدوین مدل سنجش و اندازه گیری شایستگی‌ها  در سازمان‌ها برای استخدام و توسعه چیست؟

زمانی که در سازمان به دنبال اندازه‌گیری و سنجش شایستگی‌ها با هدف استخدام یا توسعه هستیم، متغیرهای متفاوتی را برای اندازه گیری شایستگی‌ها در مدل سنجش شایستگی  وارد می‌کنیم تا مورد اندازه گیری قرار دهیم و بتوانیم یک متغیر یا شاص نهایی را در فرد مورد نظر پیش بینی کنیم. به عنوان مثال متغیر تهایی که به دنبال پیش بینی آن هستین JOB FIT، موفقیت شغلی، عملکرد یا …. است.

شاخص VIF یا عامل تورم واریانس چه چیزی را برای ما روشن می‌کند؟

هر مقدار متغیرهایی (شاخص‌هایی) که به عنوان پیش بینی کننده به مدل اضاقه می‌شوند، به هم وابسته باشند و یکپارچگی بیشنری داشته باشند، مدل شنجش شایستگی‌های انتخاب شده مدل ضعیف‌تری است. به اصطلاح آماری اگر این متغیرها با هم کواریانس داشته باشند باعث وارد شدن اطلاعات تکراری در نتیجه ئایانی خواهد شد.یعنیما از کارجو یا کارمند زمان زیادی می‌گیریم نا پرسشنامه‌ها و آزمون‌های مجزای را انجام دهند، ولی اگر این پرسشنامه‌ها با هم اشتراک داشته باشند، وقت این افراد را تلف کردیم بدون اینکه اطلاعات و داده‌های مفیدی از آزمون‌ها و پرسشنامه‌ها به دست آوریم.