Jadwal Sholat

Memuat jadwal sholat…

Editorial Ekonomi & Bisnis

Open AccessOA2023

Inferensi Faktor Pertumbuhan Produktivitas Tenaga Kerja Menggunakan Eksperimen Acak dan Kausalitas Statistik

Makalah ini mengusulkan teknologi hibrida yang mengintegrasikan jaringan Bayesian kausal, eksperimen terkontrol acak, dan metode statistik untuk menyimpulkan hubungan kausal antara program perusahaan dan produktivitas tenaga kerja, bahkan di bawah ketaklinieran, kedinamisan, kestokastikan, dan ketakstasioneran. Diuji pada sebuah perusahaan jasa makanan, pendekatan ini mengidentifikasi efek sinergis program terhadap produktivitas dengan adanya faktor tersembunyi.
E. Orlova· Mathematics· 2023· DOI 10.3390/math11040863

Masalah inti

Studi tentang ketergantungan kausal dalam ekonomi menjadi tantangan karena tidak hanya memerlukan pertimbangan struktur objek, tetapi juga banyak faktor yang tidak diketahui atau sulit diukur. Makalah ini berupaya mengatasi masalah tersebut dengan menerapkan teori kausalitas statistik pada manajemen produktivitas tenaga kerja. Penulis mengusulkan teknologi baru untuk menyimpulkan hubungan kausal antara program khusus yang diterapkan di suatu perusahaan dan produktivitas tenaga kerja karyawan. Kebaruan terletak pada model objek hibrida yang menggabungkan dua model: (1) model objek struktural tentang fungsi dan perkembangannya untuk menyediakan inferensi kausal dan memprediksi efek faktor eksplisit; dan (2) model berbasis data observasi untuk memperjelas kausalitas dan mengujinya secara empiris. Teknologi ini mengintegrasikan jaringan Bayesian kausal, eksperimen terkontrol acak, dan metode statistik, sehingga memungkinkan evaluasi efek program terhadap efisiensi tenaga kerja di bawah ketaklinieran, kedinamisan, kestokastikan, dan ketakstasioneran data awal. Berbeda dengan pendekatan lain, teknologi ini menentukan efek sinergis suatu sebab (program) terhadap akibat—produktivitas tenaga kerja—dengan adanya faktor tersembunyi. Signifikansi praktis ditunjukkan melalui pengujian pada data aktual dari sebuah perusahaan jasa makanan, yang berkontribusi pada pertumbuhan produktivitas tenaga kerja di bawah ketidakpastian serta mendukung pembangunan berkelanjutan dan pertumbuhan profitabilitas.

Inovasi

Teknologi yang diusulkan didasarkan pada model objek hibrida yang mengintegrasikan dua model yang saling melengkapi. Pertama, model objek struktural yang menggambarkan fungsi dan perkembangan perusahaan, sehingga memungkinkan inferensi kausal dan prediksi efek faktor eksplisit. Kedua, model berbasis data yang menggunakan data observasi untuk memperjelas dan menguji kausalitas secara empiris. Teknologi ini menggabungkan jaringan Bayesian kausal, eksperimen terkontrol acak, dan metode statistik. Integrasi ini memungkinkan evaluasi efek program terhadap efisiensi tenaga kerja dalam kondisi ketaklinieran, kedinamisan, kestokastikan, dan ketakstasioneran. Ciri utama adalah kemampuan menentukan efek sinergis suatu sebab (program) terhadap akibat (produktivitas tenaga kerja) ketika faktor tersembunyi hadir. Metodologi ini dirancang untuk menangani kompleksitas sistem ekonomi yang banyak faktornya tidak diketahui atau sulit diukur, sehingga menyediakan kerangka kerja yang tangguh untuk inferensi kausal dalam manajemen produktivitas tenaga kerja.
Pendahuluan
Studi tentang ketergantungan kausal dalam ekonomi menjadi tantangan karena tidak hanya memerlukan pertimbangan struktur objek, tetapi juga banyak faktor yang tidak diketahui atau sulit diukur. Makalah ini berupaya mengatasi masalah tersebut dengan menerapkan teori kausalitas statistik pada manajemen produktivitas tenaga kerja. Penulis mengusulkan teknologi baru untuk menyimpulkan hubungan kausal antara program khusus yang diterapkan di suatu perusahaan dan produktivitas tenaga kerja karyawan. Kebaruan terletak pada model objek hibrida yang menggabungkan dua model: (1) model objek struktural tentang fungsi dan perkembangannya untuk menyediakan inferensi kausal dan memprediksi efek faktor eksplisit; dan (2) model berbasis data observasi untuk memperjelas kausalitas dan mengujinya secara empiris. Teknologi ini mengintegrasikan jaringan Bayesian kausal, eksperimen terkontrol acak, dan metode statistik, sehingga memungkinkan evaluasi efek program terhadap efisiensi tenaga kerja di bawah ketaklinieran, kedinamisan, kestokastikan, dan ketakstasioneran data awal. Berbeda dengan pendekatan lain, teknologi ini menentukan efek sinergis suatu sebab (program) terhadap akibat—produktivitas tenaga kerja—dengan adanya faktor tersembunyi. Signifikansi praktis ditunjukkan melalui pengujian pada data aktual dari sebuah perusahaan jasa makanan, yang berkontribusi pada pertumbuhan produktivitas tenaga kerja di bawah ketidakpastian serta mendukung pembangunan berkelanjutan dan pertumbuhan profitabilitas.

Mengapa penting

Makalah ini membahas kesulitan inferensi kausal dalam ekonomi akibat banyaknya faktor yang tidak diketahui atau sulit diukur. Dengan menggabungkan pemodelan struktural dengan penemuan kausal berbasis data dan eksperimen acak, teknologi yang diusulkan menawarkan cara baru untuk mengatasi tantangan tersebut. Pendekatan hibrida memungkinkan prediksi efek faktor eksplisit sekaligus pengujian kausalitas secara empiris, yang sangat bernilai di bawah ketaklinieran, kedinamisan, kestokastikan, dan ketakstasioneran. Kemampuan menentukan efek sinergis program terhadap produktivitas tenaga kerja dengan adanya faktor tersembunyi membedakan teknologi ini dari yang lain. Signifikansi praktis ditegaskan oleh keberhasilan penerapan pada sebuah perusahaan jasa makanan, yang menunjukkan bahwa hasilnya dapat membantu pertumbuhan produktivitas tenaga kerja di bawah ketidakpastian serta berkontribusi pada pembangunan berkelanjutan dan profitabilitas. Penulis menyarankan bahwa teknologi ini dapat diadaptasi untuk perusahaan dan konteks lain, meskipun validasi lebih lanjut mungkin diperlukan.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…