La economía va viento en popa y la tasa de desempleo se encuentra en mínimos históricos. Lo último en lo que piensa nadie es en la reducción de plantilla o en la reducción de personal (RIF, por sus siglas en inglés). Sin embargo, los profesionales con experiencia en recursos humanos (RR. HH.) saben que las RIF no solo se producen durante las recesiones económicas. Las RIF son una parte normal y (posiblemente) saludable del mantenimiento de una plantilla de alto rendimiento que respalda la estrategia de la organización.
Aunque la condición de empleo se entiende en gran medida como «a voluntad», las acciones de despido no están exentas de riesgos legales. Como es de imaginar, existen leyes redactadas para proteger los derechos de los empleados frente a posibles discriminaciones en los RIF1. Suponiendo que las decisiones de despido no fueran intencionadamente discriminatorias (trato desigual), los RIF pueden evaluarse, no obstante, dentro de un marco de impacto adverso (AI) por discriminación. En lenguaje sencillo, los demandantes pueden establecer un caso prima facie de discriminación por AI con pruebas estadísticas de las diferencias en las tasas de despido entre grupos (por ejemplo, género, raza, edad).
Análisis RIF clásico
El análisis de la IA en materia de género y raza es bastante sencillo. Esto se puede evaluar mediante análisis tradicionales de tasas de selección: análisis clásicos 2×2, en los que hay dos grupos (por ejemplo, hombres y mujeres) con dos resultados (por ejemplo, aprobado o suspendido):
| Pase (retenido) | Fallo (Terminado) | |
| Hombre | 8 | 5 |
| Mujer | 8 | 9 |
En este ejemplo, hay un total de 13 hombres (8+5) y 17 mujeres (8+9). La tasa de retención de los hombres es del 62 % (8 de 13) y la de las mujeres es del 47 % (8 de 17). La tasa de retención de las mujeres (47 %) es inferior a la tasa de retención de los hombres (62 %), pero ¿es esta diferencia estadísticamente significativa? Esta pregunta puede responderse utilizando la prueba exacta de Fisher (FET) para evaluar el 2×2 observado. Para este ejemplo, la FET determina que las diferencias en las tasas de selección no son estadísticamente significativas (p=0,48)2, lo que socava las afirmaciones de discriminación de la IA.
Análisis RIF basado en la edad
RIF analysis among “crisp” and well-defined categories (e.g., race, gender) is easy and straightforward – simply apply the 2×2 selection rate analysis method. For age-based RIF analyses, this is less clear since age is on a numeric continuum; fortunately, the Age Discrimination and Employment Act (ADEA) has defined individuals who are 40 years old and above as a protected group. Applying this law, many analysts have set up the two groups in their selection rate analyses as: Less Than 40 (<40) and 40 or Greater (≥40).
| Pase (retenido) | Fallo (Terminado) | |
| <40 | 8 | 5 |
| ≥40 | 8 | 9 |
These 2×2 selection rate analyses were also straightforward and fairly simple. However, after the O’Connor v. Consolidated Coin Caterers Corp. Supreme Court decision (517 U.S. 308, 116 S. Ct. 1307, 134 L. Ed. 2d 433 [1996]), age-related AI discrimination cases have become slightly more complicated. The Supreme Court recognized that age is a continuum and, more importantly, noted that if age can be linked to employment decisions, then those decisions are eligible to be scrutinized for AI discrimination, regardless of class membership (<40, ≥40).
En la práctica, esto significa que los análisis de tasa de selección 2×2 pueden no ser necesariamente el método analítico más probatorio para evaluar la discriminación por edad en la IA tras la decisión del caso O'Connor contra Consolidated. En su lugar, los métodos basados en la regresión son más adecuados para las investigaciones de discriminación por edad en la IA. Regresión edad en estado de despido (retenido/despedido), se puede evaluar la relación entre el estado de despido y la edad. Al aplicar métodos de regresión para evaluar los datos de la tabla 2, encontramos lo siguiente:
| Retenido | Rescindido | |
| Conde | 16 | 14 |
| Edad media | 40 años | 51 años |
A regression analysis on this data3 would find that on average, terminated employees were 11.54 years older than retained employees (p=0.002, SD=3.34). At this point, it would be natural to wonder how is it possible that the regression-based findings are significant, while the 2×2 analyses are not significant? The answer is quite simple. The regression analysis was able to evaluate age and all the rich, numeric information associated with age. In the 2×2 analysis, on the other hand, all that age information was collapsed into just two categories (<40, ≥40). Consequently, the regression analysis had significantly more information and statistical power to detect group differences.
Otra ventaja notable de los métodos basados en la regresión es la capacidad de controlar los factores explicativos (por ejemplo, el rendimiento). Aunque el ejemplo anterior no incluía un factor explicativo en los análisis de regresión, la inclusión de factores explicativos es bastante sencilla de modelar. Esto supone una ventaja significativa con respecto al análisis tradicional 2×2, que no se presta fácilmente al control de los factores explicativos.
Conclusión
Una conclusión importante que se desprende de este artículo es que los análisis simples de la tasa de selección 2×2 pueden no ser el análisis más probatorio en las investigaciones sobre discriminación por edad en la IA, especialmente después de la decisión del Tribunal Supremo en el caso O'Connor contra Consolidated. Cabe señalar que los análisis de retención 2×2 no fueron estadísticamente significativos (p=0,48), mientras que los análisis de regresión, que tuvieron en cuenta las gradaciones de edad, sí lo fueron (p=0,002, SD=3,34).
Actualmente, la discriminación basada en la edad por parte de la IA no es una preocupación entre los contratistas federales en sus esfuerzos por cumplir con la normativa. Esto se debe a que la edad no es un grupo protegido por la Orden Ejecutiva 11246. Por lo tanto, además de describir los métodos adecuados para los análisis de IA basados en la edad, el segundo objetivo de este documento es concienciar a los contratistas federales (y a los no federales) sobre los principales riesgos a los que pueden estar expuestos y que quizá desconozcan. Esto es especialmente preocupante debido al aumento de la edad de la población activa, ya que muchos empleados han decidido retrasar su jubilación. Aunque la OFCCP no tiene actualmente autoridad para hacer cumplir la ley en materia de edad a los contratistas federales, sigue siendo sensato desde el punto de vista empresarial que los empleadores gestionen su exposición al riesgo realizando análisis de IA adecuados en situaciones de RIF. Las EO han ampliado el alcance de la autoridad de la OFCCP (por ejemplo, a los veteranos, la orientación sexual y la identidad de género) cuando ha sido necesario, y con una mano de obra cada vez más envejecida, es solo cuestión de tiempo que la OFCCP esté facultada para proteger contra la discriminación por motivos de edad. Quién sabe, cuando la OFCCP se dé cuenta de la cantidad de IA basada en la edad que existe (en contrataciones, ascensos y despidos), seguramente se producirá un impulso para hacer cumplir la ley. Se recomienda a los contratistas federales que se adelanten a esta ola.
1. Por ejemplo, el Título VII de la Ley de Derechos Civiles de 1964, la Ley contra la Discriminación por Edad en el Empleo de 1967.
2. Los valores de probabilidad de 0,05 o menos se consideran estadísticamente significativos (p ≤ 0,05).
3. Los lectores que deseen obtener una copia del conjunto de datos utilizado en este ejemplo pueden ponerse en contacto con los autores.
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.
