Análisis de Impacto Adverso: Buenas prácticas para grupos múltiples

El análisis del impacto adverso (IA) entre dos grupos es simple y directo. Históricamente, los blancos se consideraban la mayoría en comparación con todos los demás grupos, pero hoy en día las mejores prácticas dictan un análisis más detallado de todos los grupos raciales. Las investigaciones de IA se vuelven significativamente más complejas cuando hay dos o más grupos que analizar, como es el caso de las razas individuales (por ejemplo, asiáticos, afroamericanos, hispanos, blancos). Concretamente, cuando hay más de dos grupos, ¿cómo se identifica el grupo "de referencia" (aventajado), con el que se compararán todos los demás grupos?

Muchos analistas de EEO se remiten a las Directrices federales uniformes sobre procedimientos de selección de empleados (Directrices) para orientarse: el grupo con la tasa de selección más alta que también comprenda un mínimo del 2% de los datos de los solicitantes puede definirse como el grupo favorecido. Aunque esto suena intuitivamente atractivo, ¿qué pasa si esta metodología da lugar a conclusiones engañosas? Esto es preocupante, ya que los tribunales han aceptado las directrices con deferencia y tienen mucho peso a la hora de influir en la práctica de la EEO. ¿Es posible que los métodos de las directrices conduzcan a conclusiones engañosas?

Desgraciadamente, en este caso, la respuesta es "sí". El método de las Directrices para identificar al grupo favorecido en los análisis raciales individuales puede dar lugar a falsos negativos falsos negativos, es decir, concluir que no hay impacto adverso, cuando en realidad sí lo hay. Un ejemplo sencillo ayudará a explicar este fenómeno no tan infrecuente.

En el ejemplo siguiente, 100 candidatos compitieron por 36 puestos. Aplicando los métodos de las Directrices, los NAT se definirían como el grupo favorecido, porque cumple los dos requisitos definidos en las Directrices:

1. La tasa de selección más alta fue la de los NAT, con un 67%.
2. Los solicitantes de NATs (3) representaron más del 2% de los 100 solicitantes.

Si se utilizó NAT como grupo aventajado para el análisis de IA, no se observa IA para los solicitantes ASN, BLK, HSP o WHT. Véanse las estadísticas de la prueba exacta de Fisher, FET (ADV=NAT). Sin embargo, si se define WHT como grupo favorecido para el análisis de IA, se observa una IA significativa para los solicitantes ASN, BLK y HSP (ver FET ADV=WHT).

Cuando se aplican los métodos de las Directrices, no se encuentra IA, pero claramente existe IA contra los solicitantes ASN, BLK y HSP cuando WHT se define como el grupo favorecido. Estos resultados son sorprendentes. ¿Cuál es la explicación?

La respuesta es bastante sencilla si se comprende: 1) qué se necesita para obtener una IA estadísticamente significativa, y 2) la mecánica subyacente al método de las Directrices para identificar al grupo favorecido:

• • Los métodos estadísticos, como el FET, necesitan dos (2) ingredientes para obtener un IA estadísticamente significativo:
    1. 1. Tamaño del efecto: El tamaño de la diferencia en la RE entre grupos. En este ejemplo, la diferencia en la RE entre los solicitantes de NAT (67%) y WHT (52%) es pequeña, por lo que el tamaño del efecto es pequeño. La diferencia en la RE entre NAT (67%) y BLK (13%) es grande, por lo que el tamaño del efecto para esa comparación es grande. Los tamaños del efecto grandes son más potentes desde el punto de vista estadístico.

     

    1. Tamaño de la muestra: Los recuentos de los grupos considerados. En este ejemplo, sólo hay tres (3) solicitantes NAT mientras que hay 50 solicitantes WHT. Las muestras grandes son más potentes desde el punto de vista estadístico.

• El método de las directrices para identificar al grupo favorecido se basa principalmente en el tamaño del efecto (grupo con la SR más alta), pero ignora en gran medida el tamaño de la muestra (los solicitantes sólo tienen que representar el 2% del conjunto total de solicitantes).

En este ejemplo, NAT tiene una RE ligeramente superior a la de los solicitantes de WHT (67% frente a 52%), pero son significativamente menores en tamaño de muestra (3-NAT frente a 50-WHT). De hecho, con un Tamaño de Muestra de sólo tres (3) NAT, es casi imposible obtener una IA estadísticamente significativa. Por el contrario, un gran tamaño de muestra de 50 (WHT) con una SR ligeramente inferior proporcionará suficiente poder estadístico para encontrar una IA estadísticamente significativa (si es que existe).

Teniendo esto en cuenta, ¿cuál es el método recomendado para el análisis proactivo de la IA cuando hay más de dos grupos?

La opción 1 consiste en realizar un análisis de potencia para identificar al grupo desfavorecido. Los análisis de potencia son complejos y complicados, y su realización requiere importantes conocimientos técnicos.

La opción 2 consiste simplemente en analizar todas las combinaciones posibles de comparaciones de SR para la IA. Aunque pueda parecer complicado, no lo es, y el conjunto de resultados es muy útil en las investigaciones proactivas de IA.

En la práctica, se recomienda la opción 2 para casi todas las investigaciones proactivas de IA. Analizar todas las combinaciones puede parecer laborioso y complicado, pero ese esfuerzo se verá recompensado con una imagen muy clara del patrón de IA entre los distintos subgrupos, que es el objetivo de las investigaciones proactivas de IA. A medida que los métodos de IA evolucionan y avanzan, es importante que los analistas de EEO se adapten en consecuencia. Con un mayor acceso a ordenadores más potentes y programas más fáciles de usar, las investigaciones de IA deben ser más completas y exhaustivas. Este es el siguiente paso en las investigaciones de IA.

Nota del Editor: Este post fue publicado originalmente en Circaworks.com. En abril de 2023, Mitratech adquirió Circa, un proveedor líder de software de reclutamiento inclusivo y cumplimiento de OFCCP. El contenido ha sido actualizado desde entonces para reflejar nuestra oferta ampliada de productos, la evolución de las regulaciones de cumplimiento de adquisición de talento y las mejores prácticas en la gestión de RRHH.