一、案例背景隨著現(xiàn)代人力資源管理理論的迅速開展，績效考評技術(shù)水平也在不斷提高?？冃У亩嘁蛐?、多維性，要求對績效實施多標(biāo)準(zhǔn)大樣本科學(xué)有效的評價。對企業(yè)來說，對上千人進(jìn)展多達(dá)50~60個標(biāo)準(zhǔn)的考核是很常見的現(xiàn)象。但是，目前多標(biāo)準(zhǔn)大樣本大型企業(yè)績效考評問題仍然困擾著許多人力資源管理從業(yè)人員。為此，有必要將當(dāng)今國際上最流行的視窗統(tǒng)計軟件SPSS應(yīng)用于績效考評之中。在分析企業(yè)員工績效水平時，由于員工績效水平的指標(biāo)很多，各指標(biāo)之間還有一定的關(guān)聯(lián)性，缺乏有效的方法進(jìn)展比擬。目前較理想的方法是非參數(shù)統(tǒng)計方法。本文將列舉某企業(yè)的具體情況確定適當(dāng)?shù)目己藰?biāo)準(zhǔn)，采用主成分分析以及聚類分析方法，比擬出各員工績效水平，從而為企業(yè)績效管理提供一定的科學(xué)依據(jù)。最后采用判別分析建立判別函數(shù)，同時與原分類進(jìn)展比擬。聚類分析二、績效考評的模型建立1、為了分析某企業(yè)績效水平，按照綜合性、可比性、實用性和易操作性的選取指標(biāo)原那么，本文選擇了影響某企業(yè)績效水平的成果、行為、態(tài)度等6個經(jīng)濟(jì)指標(biāo)（見表1）。表1變量和考評指標(biāo)名稱表變量指標(biāo)名稱X1工作產(chǎn)量X2工作質(zhì)量X3工作出勤X4工作損耗X5工作態(tài)度X6工作能力2、對某企業(yè)，搜集整理了28名員工2021年第1季度的數(shù)據(jù)資料。構(gòu)建1個28X6維的矩陣（見表2）。表2——某企業(yè)職工績效考評結(jié)果職工代號X1X2X3X4X5X6123457

67891011123131415161718192021222324252627286.233、應(yīng)用SPSS數(shù)據(jù)統(tǒng)計分析系統(tǒng)首先對變量進(jìn)展及主成分分析，找到樣本的主成分及各變量在成分中的得分。去結(jié)果中的表3、表4、表5備用。解釋的總方差成份初始特征值a提取平方和載入合計方差的%累積%合計方差的%累積%原始123.6504.2113.5205.0806.034.572重新標(biāo)度1

2323.6504.2115.0806.034.572提取方法：主成份分析。a.分析協(xié)方差矩陣時，初始特征值在整個原始解和重標(biāo)刻度解中均一樣。成份矩陣a原始重新標(biāo)度成份成份1212Zscore(X1).897.897Zscore(X2).899.899Zscore(X3).882.882Zscore(X4).697.697Zscore(X5).732.618.732.618Zscore(X6).729.633.729.633提取方法：主成份。a.已提取了2個成份。成份得分系數(shù)矩陣a成份12Zscore(X1).227Zscore(X2).228Zscore(X3).224Zscore(X4).177Zscore(X5).186.572Zscore(X6).185.587提取方法：主成份。構(gòu)成得分。a.系數(shù)已被標(biāo)準(zhǔn)化。4、從表3中可得到前兩個成分的特征值大于1,分別為3.944和1.08，所以選取兩個主成分。根據(jù)累計奉獻(xiàn)率超過80%的一般選取原那么，主成分1和主成分2的累計奉獻(xiàn)率已到達(dá)了83.74%的水平，說明原來6個變量反映的信息可由兩個主成分反映83.74%。從表4可看出，第一主成分根本支持了XI、X2、X3、X5和X6。而第二主成分根本支持了，該成分因子得分還有對未來員工績效預(yù)報作用。第一主成分與工作質(zhì)量、工作產(chǎn)量以及工作出勤高度正相關(guān)。因此第一主成分可以反映影響該企業(yè)績效的工作成績因素。第二主成分與工作能力以及工作態(tài)度高度正相關(guān)，因此第二主成份可以反映影響該企業(yè)員工績效的能力與態(tài)度因素。三、績效水平的類型劃分及區(qū)域差異分析因為本案例要研究職工工作績效成績的得分，根據(jù)兩個主成分的表示重點不同，我們可以看到第一主成份反映的是績效成績的得分。所以計算每個樣本在第一主成份方向的得分?？梢詫?shù)據(jù)標(biāo)準(zhǔn)化，并用每個樣本乘以第一成分得分矩陣，即得各樣本在第一主成份的綜合得分。例如1號樣本在第一主成份方向的綜合得分為：2.24478*0.227+2.06671*0.228+*0.224+*0.177+*0.1865+*0.185二其他各樣本均按此方法算出綜合得分，并按各樣本在在第一主成分方向的綜合得分的降序順序排列數(shù)據(jù)，得到的就是各個員工工作績效成績得分。如表6職工代號X1X2X3X4X5X6各樣本在第一主成份的綜合得分122.2863987630.412189510164151418111713214

2234825281912-0.077842327202426四、聚類分析為了把各個員工工作績效成績分類，更好的描述成績區(qū)間，我們要采用聚類分析對員工進(jìn)展分類?！卜桨阜譃?類：優(yōu)秀、良好、及格、不及格〕分類的步驟為：1、“分析一一分類一一系統(tǒng)分類〃，把標(biāo)準(zhǔn)化后的變量輸入變量框中，在“分群框〃中選擇“個案〃，在“輸出框〃中選擇“統(tǒng)計量〃、“圖〃。2、“統(tǒng)計量〃中選擇“合并進(jìn)程表〃、“單一方案〃〔聚類數(shù)為4〕。3、“繪制〃中選擇“樹狀圖〃、“所有聚類〃、“垂直〃。4、“方法〃中選擇“組間連接〃、“平方歐式距離〃?！皹?biāo)準(zhǔn)化〃選擇“無〃〔因為采用的是已經(jīng)標(biāo)準(zhǔn)化后的數(shù)據(jù)〕。5、“保存〃中選擇“單一方案〃聚類數(shù)為4。6、點擊“確定〃。得到以下列圖表。聚類表階群集組合系數(shù)首次出現(xiàn)階群集下一階群集1群集2群集1群集211016.09900321321.4230053610.528014467.5653075413.640021361118.682008756041281122602292728001810151700131119200023

587015415510163142.022001659120203414132024260026232709211200273516152223251802431120825121901124122323212531223222426324251727131926012131415161718192021222324252627

使用平均聯(lián)接（組間）的捌狀圖從表7、圖1和圖2中我們可以看到聚類的過程(1)(2)(3)5、6、7、10、16聚為一類，4、13、21聚為一類，11、18聚為一類;5、6、7、8、9、10、16聚為一類，3、4、18、22聚為一類，23、27、28聚為一類，1、2聚為一類3、4、5、6、7、8、9、10、11、13、14、13、14、15、17、19、20聚為一類，21聚為一類，11、24、26聚為一類（4）15、16、17、18、21>22聚為一類，23、25、27、28聚為一類，12、19、20聚為一類；12、19、20、23、25、27、28聚為一類。〔注：黑色傾斜字體為最終類別〕從表8中我們可以更為詳細(xì)的看出各個樣本的分類情況。表8群集成員案例1234567891011121314151617181920212223242526274群集112222222223222222332234343群集成員案例4群集112132425262728292102112123132142152162172182193203212222233244253264273283五、聚類分析結(jié)論根據(jù)圖2和表8,我們可以把表6進(jìn)展一定的處理：把同一類別的樣本在主成分方向的得分〔工作績效成績得分〕用同一種顏色標(biāo)記，如表中第一類別為紅色，第二類別為粉色，第三類別為綠色，第四類別為藍(lán)色。并且在改良的表6’中可以看到第一類別的樣本的工作績效成績得分最高，其次是第二類別、第三類別，得分最低的是第四類別，因此，根據(jù)我們可以把最終的分類結(jié)果和方

案分類結(jié)合起來，即：“優(yōu)秀〃為第一類，包括職工1、2；“良好〃為第二類，包括職工3、4、5、6、7、8、9、10、11、13、14、15、16、17、18、21、22；“及格〃為第三類，包括職工12、19、20、23、25、27、28；“不及格〃為第四類，包括職工24、26。職工代號X1X2X3X4X5X6各樣本在第一主成份的得分19442876373659510160.556841514181111713214-0.08563222528190.00077122327200292426判別分析六、步驟:1、“分析一一分類一一判別分析〃，把“分類〃選入“分組變量〃，定義范圍：最小值〔1〕，最大值〔4〕，把X1、X2、X3、X4、X5和X6輸入“自變量框〃，選擇“使用逐步式方法〃；2、“統(tǒng)計量〃中選擇“均值〃、“單變量ANOVA〃、“Fisher〃、“未標(biāo)準(zhǔn)化〃、“組內(nèi)相關(guān)〃；3、“方法〃默認(rèn)設(shè)置；4、“分類〃中選擇“根據(jù)組大小計算〃、“摘要表〃、“不考慮該個案時的分類〃、“在組內(nèi)〃、“合并圖、分組、區(qū)域圖〃；5、“保存〃中選擇“預(yù)測組成員〃、“判別得分〃；6、點擊確定。得到以下各表和圖。七、樣本、變量分析表1組統(tǒng)計量AverageLinkage(Between有效的N〔列表狀態(tài)〕Groups)未加權(quán)均值標(biāo)準(zhǔn)差的已加權(quán)的1X12X2.558612X3.714182X4.820242X5.084852X6.0070722X1.6415017dimensionOX2.34812170X317X417X5.2611117X6.29944173X1.857307X2.322947X3.852387

1、從表1中可以看到各個類別中變量及總變量的均值、方差和標(biāo)準(zhǔn)差等。表2組均值的均等性的檢驗Wilks的LambdaFdf1df2Sig.X1.218324.000X2.229324.000X3.251324.000X4.526324.001X5.212324.000X6.174324.0002、從表2中的WILKS入檢驗中可以看到P(Xi)<0.05,原假設(shè)不成立，六個變量均明顯顯著，其中i二1、2、3、4、5、6.八、分析一一步驟統(tǒng)計表3輸入的/刪除的變量a,b,c,d步驟輸入的Wilks的Lambda統(tǒng)計量df1df2df3準(zhǔn)確F統(tǒng)計量df1df2Sig.12X6X1.174.032123336.000.000在每個步驟中，輸入了最小化整體Wilk的Lambda的變量。步驟的最大數(shù)目是12。要輸入的最小偏F是。要刪除的最大偏F是。F級、容差或VIN缺乏以進(jìn)展進(jìn)一步計算。從表3中可以看出軟件最終選取X1、X6最為判別函數(shù)的自變量，P〔X1〕、P(X2)均為零，顯著性很強(qiáng)。二者可以很好的表達(dá)不同組別的特性。九、典型判別式函數(shù)摘要表4特征值函數(shù)特征值方差的%累積%正那么相關(guān)性12a.869a.969.682a.分析中使用了前2個典型判別式函數(shù)。1、表4是特征值表，從表顯示出典型分析最終形成兩個判別函數(shù)，判別函數(shù)F1的特征值為15.633，判別函數(shù)F2的特征值為0.869，可見判別函數(shù)F1的判別能力大于F2。方差百分比的算法為：94.7%=15.633/(15.633+0.869)5.3%=0.869/(15.633+0.869)函數(shù)F1能夠解釋絕大局部方差。典型相關(guān)系數(shù)現(xiàn)實第一隊典型變量的相關(guān)系數(shù)是0.969，第二對典型變量的相關(guān)系數(shù)是0.682。表5Wilks的Lambda函數(shù)檢驗Wilks的Lambda卡方dfSig.

1到2.0326.000dimension。2.5352.0012、表5是判別函數(shù)顯著性檢驗。原假設(shè)都是所列判別函數(shù)不顯著。可見在0.05的顯著性水平下，用F1、F2兩個判別函數(shù)判別，Sig.=0.000，判別效果顯著；單用F2判別，Sig=0.001,判別效果顯著。標(biāo)準(zhǔn)化的典型判別式函數(shù)系數(shù)1函1數(shù)2X1X6.6163、表6是標(biāo)準(zhǔn)化典型判別函數(shù)的系數(shù)，寫成函數(shù):F1=1.035*X1+1.088*X6F2=0.616*X1-0.516*X2表7典型判別式函數(shù)系數(shù)函數(shù)12X1X6（常量）.846非標(biāo)準(zhǔn)化系數(shù)4、表7為非標(biāo)準(zhǔn)化的典型判別函數(shù)系數(shù)，寫成函數(shù)為:F1=-34.983+1.422*X1+3.182*X6F=6.878+0.846*X1-1.509*X6表8組質(zhì)心處的函數(shù)

AverageLinkage(BetweenGroups)函數(shù)121dimensi2on034.454在組均值處評估的非標(biāo)準(zhǔn)化典型判別式函數(shù)5、表8為四個類別質(zhì)心對應(yīng)兩個判別函數(shù)的值。根據(jù)非標(biāo)準(zhǔn)化的判別函數(shù)和根底數(shù)據(jù)中各個樣本的X1、X6的數(shù)值，分別計算各個樣本在兩個判別函數(shù)的值，最終得到表9左半局部。表9的右半局部是電腦給出的，二者差異微小，可能是軟件計算和人工計算的差異。這兩組數(shù)據(jù)也是各個樣本在兩個判別函數(shù)上的判別得分。算出2電腦給出

算出2電腦給出6、用計算機(jī)給出的判別得分作圖。以判別函數(shù)F1作為橫坐標(biāo)，判別函數(shù)F2作為縱坐標(biāo)，最終得到了區(qū)域圖，從區(qū)域圖中可以清楚的看到四個類別的分類區(qū)間。利用各個樣本的判別得分可以檢驗樣本是否在相應(yīng)的區(qū)間。對于新樣本也可以利用非標(biāo)準(zhǔn)化典型判別函數(shù)計算出相應(yīng)的判別得分，在圖中找出對應(yīng)的點，看其在哪個區(qū)域內(nèi)，相對應(yīng)的就是哪個類別。圖2為各個點在其類別區(qū)域內(nèi)的顯示情況。圖1——區(qū)域圖典那么判別圖1——區(qū)域圖典那么判別〔假定前兩個函數(shù)以外的所有函數(shù)為0〕-16.0-12.0-8.0-4.0.0+-+---+---+-+----+-+++16.0+4221+I4221II4221II4221II4221II4221I12.0++++42++21+++I4221II4221II4221II4221II4221I8.0++++42++21+++I4221II4221II4221II4221II4221I4.0+++4332++21+++I433221II433221II433221II*433221II4332*21I

.0+++43+32++21+*++I433221II43*3221II433221II433221II433221I-4.0+++43++32+21+++I433221II433221II433221II433221II433221I-8.0++43+++32+21+++I433221II43321II4331II4331II4331I-12.0++43++++31+++I4331II4331II4331II4331II4331I-16.0+4331++--++---+--+-+---+---++-16.0-12.0-8.0-4.0.04.08.0典那么判別函數(shù)1區(qū)域圖中使用的符號符號組標(biāo)簽1-1223344*表示一個組質(zhì)心圖2-—-單獨組圖表

典則判別函數(shù)AverageLink^gA(BetweenGroups)函數(shù)1十、分類統(tǒng)計量表10分類處理摘要典則判別函數(shù)AverageLink^gA(BetweenGroups)函數(shù)1已處理的28已排除的缺失或越界組代碼0至少一個缺失判別變0量用于輸出中28表11組的先驗概率AverageLinkage(BetweenGroups)先驗用于分析的案例未加權(quán)的已加權(quán)的dimensio1.0712n02.607173.2507

4.0712合計28表12分類函數(shù)系數(shù)AverageLinkage(BetweenGroups)1234X1X6(常量)Fisher的線性判別式函數(shù)1、表13為Fisher的線性判別式函數(shù)系數(shù)，根據(jù)系數(shù)可建立Fisher判別函數(shù)，四個類別的函數(shù)如下：CF1=-979.149+55.954*X1+149.550*X6CF2=-668.684+45.742*X1+124.187*X6CF3=-571.776+39.564*X1+116.667*X6CF4=-347.036+31.778*X1+89.987*X62、通過分類函數(shù)，把各個樣本中的X1、X6的值帶到分類函數(shù)中，每個樣本都得到四個判別函數(shù)值，形成表13。比擬四個值，哪個值大，就把樣本判別為哪一類。〔紅色為每行最大值〕表13職工原本分類判別分類CF1CF2CF3CF41112119322422522622722822922

表14