数模例题-工资制度Word文档格式.doc
《数模例题-工资制度Word文档格式.doc》由会员分享,可在线阅读,更多相关《数模例题-工资制度Word文档格式.doc(27页珍藏版)》请在冰点文库上搜索。
(2)平均日工资与受教育情况:
在处理这个问题中,受教育情况转化为定量值,本科记为1,硕士记为2,博士记为3,博士后记为4。
从而可以得到下面的均值图:
图2
方差齐性检验
日平均工资(元/天)
Levene统计量
df1
df2
显著性
1.859a
2
86
.162
a.在计算日平均工资(元/天)的方差齐性检验时,将忽略仅有一个案例的组。
表2
进行方差齐性检验发现显著性0.162>
0.05,可以进行该项的单因素方差分析:
组间
7656.569
3
2552.190
13.888
.000
组内
15804.331
183.771
总数
表3
由上表可知F=13.888,sig=0.00<
<
0.05,所以受教育的情况对于日平均工资有显著性的影响。
随着时代的进步以及各方面的因素,人们的生活水平提高,尤其是对中国,人口在不断增大,而越来越多的人得到了受教育的机会。
对于进入社会的人才的筛选标准越来越高。
而教育程度是个人能力的一个表征,所以用人单位在任用职工的时候会根据教育程度作为判定一个人能力的参照,且在影响因素中处于相当主要的地位。
(3)平均日工资与工作部门的性质:
关于工作部门的性质,1表示技术岗位,2表示管理岗位。
得到下面的均值图。
图3
1.445
.232
表4
进行方差齐性检验发现显著性0.232>
0.05,可以进行该项的单因素方差分析。
2052.227
8.436
21408.673
243.280
表5
由上表可知F=8.436,sig=0.005<
0.05,所以工作部门的性质对于平均日工资有显著性的影响。
在大部分企业里不同的工作部门掌握不同的工作,比如后勤部门,技术部门,而不同的部门意味着人才能力的不同,对公司业绩的贡献也不同。
这些复杂的因素决定了一个部门的职能、地位与其员工的工资的正相关关系。
(4)平均日工资与工龄:
工龄:
0-39表示为1,40-79表示为2,80-119表示为3,120-159表示为4,160-199表示为5,200-239表示为6,240-279表示为7,208-319表示为8,320-359表示为9,360以上表示为10
图4
17720.929
9
1968.992
27.443
5739.971
80
71.750
表6
由上表可知,F=270443,sig=0<
0.05,所以员工的工龄对平均日工资是有显著地影响的。
一般情况下,刚参加工作的员工由于经验少,业绩少等原因,在工资方面会比经验多,业绩多的员工少些。
尤其是对技术部门,经验更加重要,所以理所当然工龄对工资影响会大一些。
(5)平均日工资与一线工作情况:
关于一线工作情况,0表示两年内没有一线工作经历,1表示其他。
得到下面的均值图:
图5
.024
.876
表7
进行方差齐性检验发现显著性0.876>
1033.464
4.055
.047
22427.436
254.857
表8
由上表可知F=4.055,sig=0.047<
0.05,可以认为一线工作情况对平均日工资有显著性的影响。
在人才过剩的今天,是否到一线工作客观表征着一个人的工作能力,到一线工作也是一个收多因素影响的因素,比如学历、工作部门、工龄,它是一个人工作能力的一个综合体现。
(6)平均日工资与培训情况:
关于培训情况,1表示接受过培训,0表示没有受过培训。
得到下面的均值图:
图6
.003
.956
表9
进行方差齐性检验发现显著性0.956>
6514.464
33.829
16946.436
192.573
表10
由上表可知F=33.829,sig=0.000<
0.05,可以认为培训情况对于平均日工资有显著性的影响。
一般企业在招收员工之后都会对其进行培训,一方面由于各公司运行方式不甚相同,为使员工尽早融入企业工作氛围,需对其进行技能以及其他方面的培训。
作为一个企业,更容易信任经自己培训的人。
所以从这一方面讲,个人是否受到过培训是影响其工资的一个重要因素。
由于平均日工资是由多个因素共同作用的,光从单个因素分析会有一定的误差,尤其是考虑到哪些因素对平均日工资有着密切影响,我们必须对平均日工资与各个可能的影响因素进行多元线性回归分析。
和上述的单因素方差分析一样,将非数值型变量引入虚拟变量来研究。
X1表示性别,X2~X5表示受教育情况,X6和X7表示工作部门的性质,X8~X17表示工龄的各个段位,X18表示一线工作情况,X19表示培训情况,所有的变量都采用0-1分布。
然后,我们设因变量平均日工资为y,可以的到以下多元线性回归模型:
Y=a0+a1X1+a2X2+a3X3+……+a19X19+b
在给出的线性模型中,a0表示当其他所有的值都取零时,b为所构建模型产生误差,而各变量前的系数大小表示各自变量对于因变量影响的程度的大小。
通过spss软件对数据处理,我们得到如下表格和图像:
模型汇总b
模型
R
R方
调整R方
标准估计的误差
更改统计量
Durbin-Watson
R方更改
F更改
Sig.F更改
.951a
.904
.883
5.551
43.018
16
73
1.989
a.预测变量:
(常量),X19,X14,X12,X15,X16,X5,X10,X18,X17,X13,X1,X8,X7,X4,X11,X3。
b.因变量:
Y
表11
Anovab
21211.250
1325.703
.000a
2249.650
30.817
表12
已排除的变量b
BetaIn
t
偏相关
共线性统计量
容差
VIF
最小容差
X2
.a
.
X6
X9
a.模型中的预测变量:
表13
系数a
非标准化系数
标准系数
B
标准误差
试用版
(常量)
40.865
1.495
27.340
X1
1.224
1.415
.038
.865
.390
.690
1.450
X3
.724
6.806
.016
.106
.916
.060
16.717
X4
5.377
5.964
.089
.901
.370
.134
7.452
X5
27.135
8.884
.176
3.054
.395
2.533
X7
.625
1.459
.019
.428
.670
.649
1.542
X8
-4.765
2.042
-.104
-2.334
.022
.665
1.505
X10
6.373
2.262
.129
2.817
.006
.624
1.603
X11
20.940
3.356
.297
6.239
.579
1.726
X12
20.358
2.641
.315
7.708
.789
1.267
X13
25.134
2.165
.529
11.610
.632
1.582
X14
28.064
3.148
.358
8.915
.814
1.229
X15
23.821
2.672
.368
8.914
.771
1.298
X16
22.427
2.538
.372
8.837
.741
1.349
X17
29.016
2.500
.511
11.607
.677
1.478
X18
-2.969
1.552
-.079
-1.912
.769
1.300
X19
12.180
6.604
.314
1.844
.069
.045
22.012
a.因变量:
表14
残差统计量a
极小值
极大值
均值
标准偏差
N
预测值
33.13
100.00
57.63
15.438
90
-17.633
11.119
5.028
标准预测值
-1.587
2.744
1.000
标准残差
-3.176
2.003
.906
表15
模型汇总i
.541a
.293
.285
13.729
.696b
.485
.473
11.784
.859c
.738
.729
8.449
4
.923d
.852
.845
6.386
5
.932e
.869
.862
6.038
6
.937f
.878
5.869
7
.941g
.886
5.718
8
.944h
.891
.881
5.606
1.741
(常量),X2。
b.预测变量:
(常量),X2,X8。
c.预测变量:
(常量),X2,X8,X9。
d.预测变量:
(常量),X2,X8,X9,X10。
e.预测变量:
(常量),X2,X8,X9,X10,X5。
f.预测变量:
(常量),X2,X8,X9,X10,X5,X18。
g.预测变量:
(常量),X2,X8,X9,X10,X5,X18,X17。
h.预测变量:
(常量),X2,X8,X9,X10,X5,X18,X17,X14。
i.因变量:
Anovai
6875.111
36.478
16585.789
188.475
11378.959
5689.480
40.969
.000b
12081.941
87
138.873
17321.679
5773.893
80.882
.000c
6139.221
71.386
19994.574
4998.643
122.575
.000d
3466.326
85
40.780
20398.203
4079.641
111.892
.000e
3062.697
84
36.461
20601.493
3433.582
99.667
.000f
2859.407
83
34.451
20780.213
2968.602
90.807
.000g
2680.687
82
32.691
20914.974
2614.372
83.178
.000h
2545.926
81
31.431
73.476
2.996
24.526
-20.665
3.421
-.541
-6.040
74.446
2.577
28.886
-18.093
2.971
-.474
-6.089
-20.360
3.575
-.443
-5.695
76.722
1.865
41.148
-14.503
2.166
-.380
-6.694
-25.950
2.635
-.565
-9.847
-21.109
2.314
-.523
-9.124
80.459
1.483
54.258
-15.236
1.640
-.399
-9.290
-29.010
2.027
-.632
-14.309
-24.194
1.790
-.599
-13.519
-17.309
2.138
-.351
-8.096
79.345
1.442
55.041
-14.271
1.578
-.374
-9.046
-28.787
1.918
-.627
-15.007
-23.937
1.694
-.593
-14.131
-16.809
-.341
-8.292
20.655
6.208
3.327
.001
80.985
1.555
52.067
-14.896
-.390
-9.580
-29.564
1.892
-.644
-15.627
-24.608
1.670
-.610
-14.739
-17.036
1.973
-.346
-8.636
22.736
6.095
.148
3.730
-3.721
1.532
-.099
-2.429
.017
79.644
1.620
49.163
-14.261
1.539
-9.268
-28.805
1.871
-15.394
-23.826
1.660
-.590
-14.349
-16.085
1.964
-.326
-8.189
24.130
5.967
.157
4.044
-3.774
1.492
-.100
-2.529
.013
5.277
2.257
.093
2.338
78.945
1.624
48.614
-14.211
1.509
-.372
-9.417
-28.160
1.861
-.613
-15.132
-23.183
1.