Enquêter sur les effets néfastes de l'âge dans le cadre d'une réduction de la force de travail - une approche plus probante

L'économie se porte bien et le taux de chômage n'a jamais été aussi bas. La dernière chose à laquelle tout le monde pense est la réduction des effectifs ou la réduction de la force de travail (RIF). Toutefois, le praticien expérimenté des ressources humaines (RH) sait que les réductions d'effectifs ne se produisent pas uniquement en période de ralentissement économique. Les réductions d'effectifs sont un élément normal et (sans doute) sain du maintien d'une main-d'œuvre performante qui soutient la stratégie de l'organisation.

Bien que la condition d'emploi soit largement comprise comme "à volonté", les actions de licenciement ne sont pas sans risque juridique. Comme on peut l'imaginer, il existe des lois qui protègent les droits des salariés contre la discrimination potentielle lors des licenciements pour motif économique.¹. En supposant que les décisions de licenciement ne soient pas intentionnellement discriminatoires (traitement disparate), les RIF peuvent néanmoins être évalués dans le cadre d'un impact défavorable (AI) en matière de discrimination. En termes simples, les plaignants peuvent établir un cas prima facie de discrimination par l'AI avec des preuves statistiques des différences de taux de licenciement entre les groupes (par exemple, le sexe, la race, l'âge).

Analyse classique du FRR

L'analyse de l'IA en fonction du sexe et de la race est assez simple. Elle peut être évaluée au moyen d'analyses traditionnelles du taux de sélection - analyses classiques 2×2, dans lesquelles il y a deux groupes (par exemple, homme, femme) avec deux résultats (par exemple, réussite, échec) :

Dans cet exemple, il y a au total 13 hommes (8+5) et 17 femmes (8+9). Le taux de rétention des hommes est de 62 % (8 sur 13) et celui des femmes de 47 % (8 sur 17). Le taux de rétention des femmes (47 %) est inférieur à celui des hommes (62 %), mais cette différence est-elle statistiquement significative ? On peut répondre à cette question en utilisant le test exact de Fisher (TEF) pour évaluer le 2×2 observé. Pour cet exemple, le test exact de Fisher conclut que les différences de taux de sélection sont pas statistiquement significatives(p=0.48)²ce qui affaiblit les allégations de discrimination fondées sur l'IA.

Analyse du FRR en fonction de l'âge

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).

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 pratique, cela signifie que les analyses de taux de sélection 2×2 ne sont pas nécessairement la méthode analytique la plus probante pour évaluer la discrimination fondée sur l'âge après l'arrêt O'Connor c. Consolidated. Les méthodes basées sur la régression sont plus appropriées pour les enquêtes sur la discrimination fondée sur l'âge. La régression de l l'âge dans l'état de cessation d'emploi (retenu/terminé), on peut évaluer la relation entre le statut de cessation d'emploi et l'âge. En appliquant des méthodes de régression pour évaluer les données du tableau 2, nous obtenons les résultats suivants :

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.

Un autre avantage notable des méthodes basées sur la régression est la possibilité de contrôler les facteurs explicatifs (par exemple, la performance). Bien que l'exemple ci-dessus n'ait pas inclus de facteur explicatif dans les analyses de régression, l'inclusion de facteurs explicatifs est assez simple à modéliser. Il s'agit d'un avantage significatif par rapport à l'analyse 2×2 traditionnelle, qui ne se prête pas facilement au contrôle des facteurs explicatifs.

Conclusion

Il faut retenir de cet article que de simples analyses 2×2 du taux de sélection peuvent ne pas être l'analyse la plus probante dans les enquêtes sur la discrimination fondée sur l'âge, en particulier après l'arrêt O'Connor v. Consolidated de la Cour Suprême. Il convient de noter que les analyses de rétention 2×2 n'étaient pas statistiquement significatives (p=0,48), alors que les analyses de régression, qui tenaient compte des gradations d'âge, étaient statistiquement significatives(p=0,002, SD=3,34).

Actuellement, la discrimination AI fondée sur l'âge n'est pas un sujet de préoccupation pour les entrepreneurs fédéraux dans leurs efforts de mise en conformité. En effet, l'âge n'est pas un groupe protégé couvert par le décret n° 11246. Ainsi, outre la description des méthodes appropriées pour les analyses d'intelligence artificielle fondées sur l'âge, le deuxième objectif de ce document est de sensibiliser les entrepreneurs fédéraux (et les entrepreneurs non fédéraux) à l'exposition à des risques majeurs dont ils ne sont peut-être pas conscients. Cette question est particulièrement préoccupante en raison de l'augmentation de l'âge de la main-d'œuvre, de nombreux employés ayant décidé de retarder leur départ à la retraite. Bien que l'OFCCP ne dispose pas actuellement d'un pouvoir d'exécution basé sur l'âge à l'égard des entrepreneurs fédéraux, il est toujours judicieux pour les employeurs de gérer leur exposition au risque en procédant à des analyses d'IA appropriées dans les situations de RIF. Les décrets-lois ont élargi le champ d'application de l'autorité de l'OFCCP (par exemple, les vétérans, l'orientation sexuelle, l'identité de genre) lorsque cela était nécessaire, et avec une main-d'œuvre toujours plus âgée, ce n'est qu'une question de temps avant que l'OFCCP ne soit habilitée à protéger contre la discrimination fondée sur l'âge. Qui sait, lorsque l'OFCCP se rendra compte de l'ampleur de la discrimination fondée sur l'âge (dans les embauches, les promotions et les licenciements), il ne manquera pas de faire pression pour faire appliquer la loi. Il est conseillé aux entrepreneurs fédéraux de prendre de l'avance sur cette vague.

1. par exemple, le titre VII de la loi sur les droits civils de 1964, la loi sur la discrimination fondée sur l'âge dans l'emploi de 1967
2. Les valeurs de probabilité de 0,05 ou moins sont considérées comme statistiquement significatives (p≤ 0,05).
3. Les lecteurs qui souhaitent obtenir une copie de l'ensemble de données utilisé dans cet exemple sont invités à contacter les auteurs.

Note de l'éditeur : Cet article a été publié à l'origine sur Circaworks.com. En avril 2023, Mitratech a acquis Circa, un fournisseur de premier plan de logiciels de recrutement inclusif et de conformité OFCCP. Le contenu a depuis été mis à jour pour refléter l'élargissement de nos offres de produits, l'évolution des réglementations de conformité en matière d'acquisition de talents et les meilleures pratiques en matière de gestion des ressources humaines.