聚类分析及判别分析案例

一、案例背景

随着现代人力资源管理理论的迅速发展，绩效考评技术水平也在不断提高。绩效的多因性、多维性，要求对绩效实施多标准大样本科学有效的评价。对企业来说，对上千人进行多达50~60个标准的考核是很常见的现象。但是，目前多标准大样本大型企业绩效考评问题仍然困扰着许多人力资源管理从业人员。为此，有必要将当今国际上最流行的视窗统计软件SPSS应用于绩效考评之中。

在分析企业员工绩效水平时，由于员工绩效水平的指标很多，各指标之间还有一定的关联性，缺乏有效的方法进行比较。目前较理想的方法是非参数统计方法。本文将列举某企业的具体情况确定适当的考核标准，采用主成分分析以及聚类分析方法，比较出各员工绩效水平，从而为企业绩效管理提供一定的科学依据。

最后采用判别分析建立判别函数，同时与原分类进行比较。

聚类分析

二、绩效考评的模型建立

1、为了分析某企业绩效水平，按照综合性、可比性、实用性和易操作性的选取指标原则，本文选择了影响某企业绩效水平的成果、行为、态度等6个经济指标(见表1)。

2、对某企业，搜集整理了28名员工2009年第1季度的数据资料。构建1个28×6维的矩阵(见表2)。

3、应用SPSS数据统计分析系统首先对变量进行及主成分分析，找到样本的主成分及各变量在成分中的得分。去结果中的表3、表

4、表5备用。

表 5

成份得分系数矩阵a

成份

1 2

Zscore(X1) .227 -.295

Zscore(X2) .228 -.221

Zscore(X3) .224 -.297

Zscore(X4) .177 -.173

Zscore(X5) .186 .572

Zscore(X6) .185 .587

提取方法 :主成份。

构成得分。

a. 系数已被标准化。

4、从表3中可得到前两个成分的特征值大于1，分别为3.944和1.08，所以选取两个主成分。根据累计贡献率超过80％的一般选取原则，主成分1和主成分2的累计贡献率已达到

了83．74％的水平，表明原来6个变量反映的信息可由两个主成分反映83．74％。

从表4可看出，第一主成分基本支持了X1、X2、X3、X5和X6。而第二主成分基本支持了，该成分因子得分还有对未来员工绩效预报作用。第一主成分与工作质量、工作产量以及工作出勤高度正相关。因此第一主成分可以反映影响该企业绩效的工作成绩因素。第二主成分与工作能力以及工作态度高度正相关，因此第二主成份可以反映影响该企业员工绩效的能力与态度因素。

三、绩效水平的类型划分及区域差异分析

因为本案例要研究职工工作绩效成绩的得分，根据两个主成分的表示重点不同，我们可以看到第一主成份反映的是绩效成绩的得分。所以计算每个样本在第一主成份方向的得分。

可以对数据标准化，并用每个样本乘以第一成分得分矩阵，即得各样本在第一主成份的综合得分。

例如1号样本在第一主成份方向的综合得分为：

2.24478*0.227 + 2.06671*0.228 + 1.82854*0.224 + 1.54332*0.177 + 1.56685*0.1865 + 2.07013*0.185=2.337944

其他各样本均按此方法算出综合得分，并按各样本在在第一主成分方向的综合得分的降序顺序排列数据，得到的就是各个员工工作绩效成绩得分。如表6

四、聚类分析

为了把各个员工工作绩效成绩分类，更好的描述成绩区间，我们要采用聚类分析对员工进行分类。（计划分为4类：优秀、良好、及格、不及格）

分类的步骤为：

1、“分析——分类——系统分类”，把标准化后的变量输入变量框中，在“分群框”中选择“个案”，在“输出框”中选择“统计量”、“图”。

2、“统计量”中选择“合并进程表”、“单一方案”（聚类数为4）。

3、“绘制”中选择“树状图”、“所有聚类”、“垂直”。

4、“方法”中选择“组间连接”、“平方欧式距离”。“标准化”选择“无”（因为采用的是已经标准化后的数据）。

5、“保存”中选择“单一方案”聚类数为4。

6、点击“确定”。

得到以下图表。

表7

聚类表

阶群集组合

系数首次出现阶群集

下一阶

群集 1 群集 2 群集 1 群集 2

1 10 16 .099 0 0 3

2 1

3 21 .423 0 0 5

3 6 10 .528 0 1 4

4 6 7 .56

5 3 0 7

5 4 13 .640 0 2 13

6 11 18 .682 0 0 8

7 5 6 1.010 0 4 12

8 11 22 1.351 6 0 22

9 27 28 1.355 0 0 18

10 15 17 1.436 0 0 13

11 19 20 1.569 0 0 23

12 5 8 1.724 7 0 15

13 4 15 1.944 5 10 16

14 3 14 2.022 0 0 16

15 5 9 2.234 12 0 20

16 3 4 2.295 14 13 20

17 24 26 2.301 0 0 26

18 23 27 2.327 0 9 21

19 1 2 3.329 0 0 27

20 3 5 3.931 16 15 22

21 23 25 4.107 18 0 24

22 3 11 4.123 20 8 25

23 12 19 4.390 0 11 24

24 12 23 6.328 23 21 25

25 3 12 11.123 22 24 26

26 3 24 24.501 25 17 27

27 1 3 28.620 19 26 0