如何利用因子分析考核员工绩效?

在实际生活中,不同的变量之间有着各式各样的联系,如果想全面地研究一个问题,就需要搜集各方面的资料。但大量的数据就容易产生重复的信息,为了减少研究的复杂程度,这时候就可以用到主成分分析或因子分析


应用场景

因子分析可以看做是优化后的主成分分析,两种方法有很多共通的地方,并都可用于以下三种场景:信息浓缩、权重计算和综合竞争力研究。

信息浓缩:将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系,使用因子分析更为适合。

权重计算:计算每个因子的权重,构建指标权重体系。比如上市公司的绩效评价指标体系,顾客满意度指标体系等。

综合竞争力:利用成分得分和方差解释率这两项指标,计算得到综合得分,用于综合竞争力对比(综合得分值越高意味着竞争力越强)。此类应用常见于经济、管理类研究,比如上市公司的竞争实力对比。


案例应用

(1)背景

本次抽取了150名员工的的绩效考核情况,共考察8项指标分别是工作效率、工作成果、创新能力、人际关系、合作意识、出勤情况、工作积极性、学习能力。希望通过分析,了解每个员工的绩效情况。


(2)操作步骤

本例中选用因子分析进行分析,放置如下: 

使用路径:进阶方法→因子  

*也可使用主成分分析 使用路径:进阶方法→主成分


输出的因子个数可自己选择,也可默认由系统输出,系统默认以特征根大于1为判断标准。这里我们选择默认输出因子,同时勾选综合得分,后续的分析会用到。


(3)结果分析

① KMO 和 Bartlett 的检验结果

表1 KMO和Bartlett 的检验  


表1展示KMO检验和Bartlett 的检验结果,用于判断指标是否适合进行因子分析。通常KMO值的判断标准为0.6。大于0.6说明适合进行因子分析,反之,说明不适合进行分析。同时Bartlett检验对应P值小于0.05也说明适合进行因子分析。

根据上表可知,KMO为0.748,大于0.6,满足因子分析的前提要求,意味着数据可用于因子分析研究。以及数据通过Bartlett 球形度检验(P<0.05),说明研究数据适合进行因子分析。


② 方差解释率表格

表2 方差解释率表格


表2展示的是各因子的方差解释率和累积解释率结果,用于描述提取的因子个数以及分析每个因子方差解释率和累积总共方差解释率,每个因子方差解释率进行加权即得到权重值。

从上表可知:本次共提取了3个因子。此3个因子的方差解释率分别是45.078%,19.527%,14.080%,累积方差解释率为78.685%。

另外,本次分析共提取出3个因子,它们对应的加权后方差解释率即权重依次为:45.078/78.685=57.29%;19.527/78.685=24.82%;14.080/78.685=17.89%。


*提示:如果因子提取个数与预期不符,可在分析时主动设置因子个数。


因子载荷系数表格

表3 因子载荷系数表格


表3通过载荷系数值,分析出每个因子与指标的对应关系情况。

由上表可知,所有指标对应的共同度值均高于0.4,意味着研究项和因子之间有着较强的关联性,因子可以有效的提取出信息。但因子与指标之间的对应关系。因而可考虑使用因子分析进一步分析,以便更好对因子命名。 

可以看到此时的因子对应关系较好,因子1主要与工作效率、工作成果、创新能力有较强的关联性。因子2与人际关系、合作意识有较强的关联性。因子3与出勤情况、工作积极性有较强的关联性。因此可以将因子1命名为工作能力因子,因子2命名为团队能力因子,因子3命名为工作态度因子


④成份得分系数矩阵

表4 成份得分系数矩阵

 表4用于展示各成分得分系数,如果进行权重计算,则需要使用“成份得分系数矩阵”建立因子和研究项之间的关系等式。

根据上表可得,各因子和研究项之间的关系等式分别为:

因子1=0.320*工作积极性+0.296*工作成果+0.320*专业水平-0.071*工作效率-0.063*合作意识-0.119*工作创新度-0.046*工作趣味性+0.330*休假制度

因子2=-0.074*工作积极性-0.138*工作成果+0.100*专业水平+0.548*工作效率+0.561*合作意识-0.107*工作创新度-0.023*工作趣味性-0.048*休假制度

因子3=0.004*工作积极性+0.120*工作成果-0.203*专业水平-0.059*工作效率-0.091*合作意识+0.616*工作创新度+0.508*工作趣味性-0.098*休假制度


碎石图 


碎石图用于辅助判断因子提取个数,当拆线由陡峭突然变得平稳时,陡峭到平稳对应的因子个数即为参考提取因子个数。碎石图仅辅助决策因子个数,实际研究中更多以专业知识,结合因子与研究项对应关系情况,综合权衡判断得出因子个数。


综合得分

还记不记得,开始分析前,我们勾选了综合得分。现在返回到分析界面,就可以看到一个新生成的标题,名为Comp_scoreXXXX,这个就是综合得分。

我们可以在页面右上角-上传数据中找到当前分析的数据进行查看。

SPSSAU-上传数据
SPSSAU-综合得分

经过整理排序后可得出最终排名情况,下图为本次绩效考评中得分排在前五位的员工:


综合得分前5位的员工编号


其他说明

主成分分析通常用于中间过程分析,后面往往使用其他方法进一步分析。此时可选择保存主成分得分,用于进一步分析,如回归分析聚类分析等。


登录SPSSAU官网体验在线数据分析​​​​

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,335评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,895评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,766评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,918评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,042评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,169评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,219评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,976评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,393评论 1 304
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,711评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,876评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,562评论 4 336
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,193评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,903评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,142评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,699评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,764评论 2 351

推荐阅读更多精彩内容