Analyse negativer Auswirkungen: Bewährte Praktiken für mehrere Gruppen

Die Analyse nachteiliger Auswirkungen (Adverse Impact) zwischen zwei Gruppen ist einfach und geradlinig. In der Vergangenheit galten die Weißen im Vergleich zu allen anderen Gruppen als die Mehrheit, doch heute schreiben die bewährten Verfahren eine genauere Betrachtung aller Ethnien vor. KI-Untersuchungen werden erheblich komplexer, wenn zwei oder mehr Gruppen zu analysieren sind, wie dies bei einzelnen Ethnien (z. B. Asiaten, Afroamerikaner, Hispanics, Weiße) der Fall ist. Wenn es mehr als zwei Gruppen gibt, wie identifiziert man dann die "Referenzgruppe" (begünstigte Gruppe), mit der alle anderen Gruppen verglichen werden sollen?

Viele EEO-Analysten orientieren sich an den bundesweit einheitlichen Leitlinien für Mitarbeiterauswahlverfahren (Guidelines): Die Gruppe mit der höchsten Auswahlquote, die auch mindestens 2 % der Bewerberdaten ausmacht, kann als begünstigte Gruppe definiert werden. Dies klingt zwar intuitiv ansprechend, aber was ist, wenn diese Methodik zu irreführenden Ergebnissen führt? Dies ist besorgniserregend, da die Gerichte die Leitlinien mit Nachsicht akzeptiert haben und sie bei der Beeinflussung der EEO-Praxis so viel Gewicht haben. Kann es sein, dass die Methoden der Leitlinien zu irreführenden Ergebnissen führen?

In diesem Fall lautet die Antwort leider "ja". Die Methode des Leitfadens zur Identifizierung der begünstigten Gruppe bei der Analyse einzelner Ethnien kann zu folgenden Ergebnissen führen falsch negativen Ergebnisse führen - zu der Schlussfolgerung, dass es keine negativen Auswirkungen gibt, obwohl es tatsächlich negative Auswirkungen gibt. Ein einfaches Beispiel soll helfen, dieses gar nicht so ungewöhnliche Phänomen zu erklären.

In dem nachstehenden Beispiel haben sich 100 Bewerber um 36 Stellen beworben. Bei Anwendung der Methoden der Leitlinien würden die NATs als begünstigte Gruppe definiert werden, da sie die beiden in den Leitlinien definierten Kriterien erfüllen:

1. NATs hatten mit 67% die höchste SR (Selection Rate)
2. Die NATs-Bewerber (3) machten mehr als 2 % aller 100 Bewerber aus.

Wenn NAT als begünstigte Gruppe für die AI-Analyse verwendet wurde, wird für ASN-, BLK-, HSP- oder WHT-Antragsteller keine AI beobachtet. Siehe die Statistik des exakten Tests von Fisher, FET (ADV=NAT). Wenn jedoch WHT als begünstigte Gruppe für die AI-Analyse definiert wurde, wird eine signifikante AI für ASN-, BLK- und HSP-Antragsteller beobachtet (siehe FET ADV=WHT).

Bei Anwendung der Leitlinien-Methoden wird keine AI festgestellt, aber es gibt eindeutig eine AI gegen ASN-, BLK- und HSP-Antragsteller, wenn WHT als die begünstigte Gruppe definiert wird. Dies sind überraschende Ergebnisse. Was ist die Erklärung dafür?

Die Antwort ist ziemlich einfach, wenn man versteht: 1) was erforderlich ist, um statistisch signifikante AI zu erhalten, und 2) die Mechanismen, die der Methode der Leitlinien zur Ermittlung der begünstigten Gruppe zugrunde liegen:

• • Statistische Methoden wie der FET benötigen zwei (2) Bestandteile, um statistisch signifikante AI zu erhalten:
    1. 1. Effekt Größe: Die Größe des Unterschieds in der SR zwischen den Gruppen. In diesem Beispiel ist der Unterschied in der SR zwischen NAT- (67%) und WHT-Bewerbern (52%) gering, so dass die Effektgröße klein ist. Der Unterschied in der SR zwischen NAT (67%) und BLK (13%) ist groß, so dass die Effektgröße für diesen Vergleich groß ist. Große Effektgrößen sind statistisch aussagekräftiger.

     

    1. Größe der Probe: Die Anzahl der Personen in den betrachteten Gruppen. In diesem Beispiel gibt es nur drei (3) NAT-Bewerber, während es 50 WHT-Bewerber gibt. Große Stichprobengrößen sind statistisch aussagekräftiger.

• Die Methode der Leitlinien zur Ermittlung der begünstigten Gruppe stützt sich in erster Linie auf die Effektgröße (Gruppe mit der höchsten SR), lässt aber die Stichprobengröße weitgehend außer Acht (die Bewerber müssen nur 2 % des gesamten Bewerberpools ausmachen).

In diesem Beispiel hat NAT eine etwas höhere Trefferquote als WHT-Bewerber (67% vs. 52%), aber die Stichprobengröße ist deutlich geringer (3-NAT vs. 50-WHT). In der Tat ist es bei einer Stichprobengröße von nur drei (3) NAT fast unmöglich, einen statistisch signifikanten AI zu erhalten. Im Gegensatz dazu bietet eine große Stichprobengröße von 50 (WHT) mit einer etwas niedrigeren SR eine ausreichende statistische Aussagekraft, um eine statistisch signifikante AI zu finden (falls diese existiert).

Welche Methode wird angesichts dessen für eine proaktive AI-Analyse empfohlen, wenn es mehr als zwei Gruppen gibt?

Option 1 ist die Durchführung einer Leistungsanalyse, um die begünstigte Gruppe zu ermitteln. Power-Analysen sind komplex und kompliziert und erfordern ein beträchtliches technisches Hintergrundwissen zur Durchführung.

Option 2 besteht darin, einfach alle möglichen Kombinationen von SR-Vergleichen für AI zu analysieren. Dies mag zwar kompliziert erscheinen, ist es aber nicht, und die Ergebnisse sind bei proaktiven AI-Untersuchungen sehr hilfreich.

In der Praxis wird für fast alle proaktiven AI-Untersuchungen die Option 2 empfohlen. Die Analyse aller Kombinationen mag mühsam und kompliziert erscheinen, aber dieser Aufwand wird durch ein sehr klares Bild des Musters von AI in den verschiedenen Untergruppen belohnt, was das Ziel proaktiver AI-Untersuchungen ist. Da sich die KI-Methoden weiterentwickeln, ist es wichtig, dass sich die EEO-Analysten entsprechend anpassen. Mit dem besseren Zugang zu leistungsfähigeren Computern und einfacher zu bedienender Software müssen KI-Untersuchungen umfassender und ausführlicher sein. Dies ist der nächste Schritt bei KI-Untersuchungen.

Anmerkung der Redaktion: Dieser Beitrag wurde ursprünglich auf Circaworks.com veröffentlicht. Im April 2023 übernahm Mitratech Circa, einen führenden Anbieter von Software für integratives Recruiting und OFCCP-Compliance. Der Inhalt wurde seitdem aktualisiert, um unser erweitertes Produktangebot, die sich entwickelnden Compliance-Vorschriften für die Talentakquise und Best Practices im Personalmanagement zu berücksichtigen.