《利用spss分析学历与薪酬水平关系.doc》由会员分享，可在线阅读，更多相关《利用spss分析学历与薪酬水平关系.doc（9页珍藏版）》请在金锄头文库上搜索。
1、利用spss分析学历与薪酬水平关系【摘要】本人通过调查获取了一些工资水平跟是否上过大学对应的数据数据，并做出了一个假设：上过大学比没上过大学能获得较高的薪水，并且运用spss里的方差分析和相关分析两者相结合的方式，来验证这个假设的可信度和相关程度。根据常识和经验，在确立“是否上过大学”为自变量和工资水平为因变量的同时，我们还确立了一个协变量-“平均每天工作时间”，并通过协方差检验和偏相关检验来分析。研究结果表明：上过大学比没上过大学能获得较高的薪水。【关键词】薪水 高学历 方差分析 相关分析【引言】近年来随着社会的不断进步和发展，高校扩招全国大学生数量剧增，一时间失业成为许多年青人心中的痛。曾
2、今一度出现过某些大学生的薪酬水平较低的情况，更是有人曾提出了“学习无用论”这对于社会进步大大不利。SPSS是“社会科学统计软件包”（Statistical Package for the Social Science）的简称，是一种集成化的计算机数据处理应用软件，为广大的非专业人士设计，操作简便，好学易懂，简单实用。因此，将其应用于信度分析中，能简单、快捷、准确地得到统计分析结果。SPSS软件具有如下特点：（一）界面友好，操作简单。除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数操作可通过“菜单”、“按钮”和“对话框”来完成，使得使用者根据需要轻轻点击鼠标就可以得到相关分析后的数
3、据结果，同时还可以得到各种分析统计量表以及直观、清晰的统计分析图表。这些结果不但能在屏幕显示，还能转化为其它图形文件保存或者通过打印机输出。（二）集数据录入、资料编辑、数据管理、统计分析、报表制作、图形绘制为一体。SPSS具有完整的数据输入、编辑、统计分析、报表、图形制作等功能，自带11种类型136个函数。它提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析等。通过相应“菜单”、“按钮”和“对话框”的操作，就可以得到我们需要的各种统计报表或统计分析图表。（三）具有简单、快捷、准确地统计分析功能。它包括常规的集中量数和差异量数、相关分析、回归分析等；也包
4、括近期发展的多元统计技术，如多元回归分析、聚类分析等方法，并能在屏幕上显示如正态分布图、直方图、散点图等各种统计图表。从某种意义上讲，SPSS软件还可以帮助数学功底不够的使用者学习运用现代统计技术。使用者仅需要关心某个问题应该采用何种统计方法，并初步掌握对计算结果的解释，而不需要了解其具体运算过程，可在使用手册的帮助下定量分析数据。（四）方便的数据接口。能够读取及输出多种格式的文件，比如由dBASE、FoxBASE、FoxPRO产生的*.dbf文件，文本编辑器软件生成的ASC数据文件，Excel的*.xls文件等均可转换成可供分析的SPSS数据文件。能够把SPSS的图形转换为8种图形文件，结果
5、可保存为*.txt、*.html以及*.doc等格式的文件。【正文】根据数理统计原理，我在本次分析过程中，本文只选取了影响薪酬的两个变量，即是否上过大学和每天平均工作时间，而忽略了其他变量，比如地域的差异，单位的性质，领导职位和个人的能力等等。其中我把“是否上过大学”看作自变量，把去年平均每月总收入看成协变量来分析，采用SPSS 17.0 for Windows综合运用方差分析和相关分析两种方法。具体过程如下：(一) 方差分析过程首先检验当“是否上过大学”为固定因子（F），月平均收入为因变量（Dependent Variable）时是否满足方差检验的条件，也即各个水平下总体服从方差相等的正态分
6、布，其中正态分布的要求不是很严格，但方差相等是很严格的。所以首先在单变量：选项框中选择对方差分析的前提进行检验的选项。结果下表所示误差方差等同性的 Levene 检验a因变量:月平均工资Fdf1df2Sig.2.344118.143检验零假设，即在所有组中因变量的误差方差均相等。a. 设计 : 截距 + 日平均工作时间 + 是否读过大学从表中可以看出F值为2.344，相伴概率为0.143，大于显著性水平0.05，因此可以认为各个组总体方差是相等的，满足方差检验的前提条件。接下来通过单变量方法，把是否读过大学输入（固定因子），把去年平均每月总收入输入因变量进行方差分析，在这里我们假定日平均工作时
7、间也会影响到月平均工资，因此把它当作协变量处理。以下诸表的内容是其处理结果。主体间因子值标签N是否读过大学0否111是9主体间效应的检验因变量:月平均工资源III 型平方和df均方FSig.校正模型1.406E727028933.3454.319.030截距1424276.44211424276.442.875.363日平均工作时间70685.938170685.938.043.837是否读过大学1.349E711.349E78.289.010误差2.767E7171627425.051总计1.898E820校正的总计4.172E719a. R 方 = .337（调整 R 方 = .259）定
8、制假设检验对比结果（K 矩阵）是否读过大学 简单对比a因变量月平均工资级别 1 和级别 2对比估算值-1714.491假设值0差分（估计 - 假设）-1714.491标准 误差595.506Sig.010差分的 95% 置信区间下限-2970.899上限-458.082a. 参考类别 = 2检验结果因变量:月平均工资源平方和df均方FSig.对比1.349E711.349E78.289.010误差2.767E7171627425.051下面对其结果作简略的分析：（1）方差齐性检验结果。显著性检验的Sig值0.1430.05推断，在0.05的显著度水平上各组方差无显著性差异。（2）各效应检验结果
9、。协变量日平均工作时间的效应检验不显著，因为sig0.05，这就意味着日平均工作时间与月平均工资不存在较强的线性关系，故而没有必要进行协方差分析。但因素变量是否读过大学的检验效果很显著（sig0.05），说明是否读过大学因素对平均工资的增加有显著差异。（3）参数估计。经分析发现因为回归系数值接近于零，表明回归直线的拟合程度很差。因此没有必要进行协方差检验，所以单独检验固定因子（是否上过大学）和因变量(月平均工资)的直接显著情况，得出下表主体间效应的检验因变量:月平均工资源III 型平方和df均方FSig.校正模型1.399E711.399E79.077.007截距1.558E811.558E8
10、101.127.000是否读过大学1.399E711.399E79.077.007误差2.774E7181540939.544总计1.898E820校正的总计4.172E719a. R 方 = .335（调整 R 方 = .298）（二）相关分析过程在一些情况下单纯使用相关系数来评价变量间的相关性是不准确的，而需要在剔除其他相关影响因素的条件下计算变量间的相关。偏相关的意义就在于此。 方差分析只是大体上判断出自变量（是否念过大学）与因变量(月平均工资)的作用，但是在多大程度上起作用，这种作用是正向的还是反向的我们还无法给出合理解释。于是，我们用相关分析来补充方差分析的不足。相关分析我们要通过求
11、得两个变量间的相关系数R来判定变量间的相关性强弱和方向，R取值范围为-1,1,当R越接近1或-1时变量的相关性越强。但是考虑到平均每天工作时间这个变量有可能影响因变量，故而把平均每天工作时间当作控制变量，用偏相关来分析两者关系。于是得下表相关性控制变量是否读过大学月平均工资日平均工作时间-无-a是否读过大学相关性1.000.579-.270显著性（双侧）.007.250df01818月平均工资相关性.5791.000-.117显著性（双侧）.007.624df18018日平均工作时间相关性-.270-.1171.000显著性（双侧）.250.624.df18180日平均工作时间是否读过大学相关
12、性1.000.573显著性（双侧）.010df017月平均工资相关性.5731.000显著性（双侧）.010.df170a. 单元格包含零阶 (Pearson) 相关。下面对其结果作简要的分析：（1）方法原理：首先，提出零假设：两总体（是否上过大学和月平均收入）的偏相关系数与零无显著差异，此番检验的显著度水平=0.05。然后，计算检验统计量的观测值和对应的概率值，如果检验统计量的概率值（Sig值）小于给定的显著性水平，应拒绝零假设，认为两总体的偏相关系数与零有显著差异；反之，则不能拒绝零假设，可认为两总体偏相关系数为零，无显著差异。（2）相关性输出：表中给出了所有变量的0阶偏相关系数和1阶偏相
13、关系数的计算结果，以及他们各自的显著性检验P值。如图所示，在没有控制平均每天工作时间时，是否上过大学和每月平均总收入是显著相关的（sig=0.070.05）；在控制了平均每天工作时间后，性别和每月平均总收入还是显著相关的（sig=0.100.05），只不过相关的程度要比没有控制的时候要低一些。基于此，我们可以判断出是否读过大学和去年平均每月总收入存在着相关关系，而平均每天工作时间对于每月平均总工资几乎没有影响。结论：由以上的分析，可以看出学历因素在薪酬方面扮演了一种很重要的角色，特别是在控制了每天平均工作时间这个变量之后依然如此。这就从定量的角度说明了调查数据中存在着很明显的同工不同酬的现象，而这种现象主要是由于学历因素造成的。【结语】综上所述，读过大学的人在薪酬方面具有较高的优势，也就是说通常情况下来说学历越高，薪酬越多，这样一个结论有助于我国建立一个学习型社会，大大提高国民科学文化素质。这也很好的驳斥了“学习无用论”。大大调动了当代年轻人的学习积极性。附：原始数据【参考文献】杨小平，统计分析方法与SPSS应用教程，清华大学出版社，2008。
