1、表 2某企业职工绩效考评结果职工代号123457689101112131415161718192021222324252627286.233、应用SPSS数据统计分析系统首先对变量进展及主成分分析，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 3解释的总方差成份初始特征值a提取平方和载入合计方差的 %累积 %原始.650.2113.520.080.034.572重新标度提取方法：主成份分析。a. 分析协方差矩阵时，初始特征值在整个原始解和重标刻度解中均一样。表 4成份矩阵aZscore（X1）.897Zscore（X2）.899Zscore（X3）.882Zsco
2、re（X4）.697Zscore（X5）.732.618Zscore（X6）.729.633提取方法 :主成份。a. 已提取了 2 个成份。表 5成份得分系数矩阵a.227.228.224.177.186.185.587 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。根据累计奉献率超过80的一般选取原那么，主成分1和主成分2的累计奉献率已到达了8374的水平，说明原来6个变量反映的信息可由两个主成分反映8374。从表4可看出，第一主成分根本支持了X1、X2、X3、X5和X6。而第二主成分根本支持了，该成分因子得分还有
3、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
4、*0.228 + *0.224 + *0.177 + *0.1865 + *0.185=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表6各样本在第一主成份的综合得分2.286390.41218348-0.07784四、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展分类。方案分为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
5、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。得到以下列图表。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 2.099.423.528.565.640.6822.022图 1图 2从表7、图1和图2中我们可以看到聚类的过程（1）5、6、7、10、16聚为一类，4、13、21聚为一类，11、18聚为一类；（2）5、6、7、8、9、10、16聚为一类，3、4、13、14、15、17、21聚为一类，11、18、22聚为一类，
6、23、27、28聚为一类，19、20聚为一类，24、26聚为一类，1、2聚为一类；（3）3、4、5、6、7、8、9、10、11、13、14、15、16、17、18、21、22聚为一类，23、25、27、28聚为一类，12、19、20聚为一类；（4）12、19、20、23、25、27、28聚为一类。注：黑色倾斜字体为最终类别 从表8中我们可以更为详细的看出各个样本的分类情况。表 8群集成员案例4 群集五、聚类分析结论根据图2和表8，我们可以把表6进展一定的处理：把同一类别的样本在主成分方向的得分工作绩效成绩得分用同一种颜色标记，如表中第一类别为红色，第二类别为粉色，第三类别为绿色，第四类别为蓝色
7、。并且在改良的表6中可以看到第一类别的样本的工作绩效成绩得分最高，其次是第二类别、第三类别，得分最低的是第四类别，因此，根据我们可以把最终的分类结果和方案分类结合起来，即：（1）“优秀为第一类，包括职工 1、2；（2）“良好为第二类，包括职工3、4、5、6、7、8、9、10、11、13、14、15、16、17、18、21、22；（3）“及格为第三类，包括职工12、19、20、23、25、27、28；（4）“不及格为第四类，包括职工24、26。各样本在第一主成份的得分94473650.55684-0.085630.00077029判别分析六、步骤：1、“分析分类判别分析，把“分类选入“分组变量，
8、定义范围：最小值1，最大值4，把X1、X2、X3、X4、X5和X6输入“自变量框，选择“使用逐步式方法；2、“统计量中选择“均值、“单变量ANOVA、“Fisher、“未标准化、“组内相关；3、“方法默认设置；4、“分类中选择“根据组大小计算、“摘要表、“不考虑该个案时的分类、“在组内、“合并图、分组、区域图；5、“保存中选择“预测组成员、“判别得分；6、点击确定。 得到以下各表和图。七、样本、变量分析表 1组统计量Average Linkage （Between Groups） 均值标准差有效的 N列表状态未加权的已加权的dimension0.55861.71418.82024.08485.
9、00707.64150.34812.26111.29944.85730.32294.85238.74212.47418.67175.24042.19799.70711.15556.68829.92588.772031、从表1中可以看到各个类别中变量及总变量的均值、方差和标准差等。表 2组均值的均等性的检验Wilks 的 LambdaFdf1df2Sig.218.000.229.251.526.001.212.1742、从表2中的WILKS 检验中可以看到P（Xi）0.05，原假设不成立，六个变量均明显显著，其中 i=1、2、3、4、5、6.八、分析步骤统计 输入的/删除的变量a,b,c,d步骤
10、输入的统计量df3准确 F.032在每个步骤中，输入了最小化整体 Wilk 的 Lambda 的变量。a. 步骤的最大数目是 12。b. 要输入的最小偏 F 是。c. 要删除的最大偏 F 是。d. F 级、容差或 VIN 缺乏以进展进一步计算。从表3中可以看出软件最终选取X1、X6最为判别函数的自变量，PX1、P（X2）均为零，显著性很强。二者可以很好的表达不同组别的特性。九、典型判别式函数摘要特征值函数正那么相关性a.969.869aa. 分析中使用了前 2 个典型判别式函数。1、表4是特征值表，从表显示出典型分析最终形成两个判别函数，判别函数F1的特征值为15.633，判别函数F2的特征值
11、为0.869，可见判别函数F1的判别能力大于F2。方差百分比的算法为：94.7%=15.633/（15.633+0.869）5.3%=0.869/（15.633+0.869）函数F1能够解释绝大局部方差。典型相关系数现实第一队典型变量的相关系数是0.969，第二对典型变量的相关系数是0.682。函数检验卡方df1 到 2.5352、表5是判别函数显著性检验。原假设都是所列判别函数不显著。可见在0.05的显著性水平下，用F1、F2两个判别函数判别，Sig.=0.000，判别效果显著；单用F2判别，Sig=0.001,判别效果显著。表 6标准化的典型判别式函数系数.6163、表6是标准化典型判别函
12、数的系数，写成函数：F1=1.035*X1+1.088*X6F2=0.616*X1-0.516*X2典型判别式函数系数.846（常量）非标准化系数4、表7为非标准化的典型判别函数系数，写成函数为： F1=-34.983+1.422*X1+3.182*X6 F=6.878+0.846*X1-1.509*X6组质心处的函数.454在组均值处评估的非标准化典型判别式函数5、表8为四个类别质心对应两个判别函数的值。根据非标准化的判别函数和根底数据中各个样本的X1、X6的数值，分别计算各个样本在两个判别函数的值，最终得到表9左半局部。表9的右半局部是电脑给出的，二者差异微小，可能是软件计算和人工计算的差
13、异。这两组数据也是各个样本在两个判别函数上的判别得分。表 9算出电脑给出6、用计算机给出的判别得分作图。以判别函数F1作为横坐标，判别函数F2作为纵坐标，最终得到了区域图，从区域图中可以清楚的看到四个类别的分类区间。利用各个样本的判别得分可以检验样本是否在相应的区间。对于新样本也可以利用非标准化典型判别函数计算出相应的判别得分，在图中找出对应的点，看其在哪个区域内，相对应的就是哪个类别。 图2为各个点在其类别区域内的显示情况。图 1区域图 假定前两个函数以外的所有函数为 0典那么判别函数 2 -16.0 -12.0 -8.0 -4.0 .0 +-+-+-+-+-+-+-+-+ 16.0 + 4
14、2 21 + I 42 21 I 12.0 + + + +42 + + 21 + + + 8.0 + + + +42 + + 21 + + + 4.0 + + + 4332 + + 21 + + + I 43 32 21 I I * 43 32 21 I I 43 32 * 21 I .0 + + + 43 + 32 + + 21 + * + + I 43 * 32 21 I -4.0 + + + 43 + + 32 + 21 + + + -8.0 + + 43+ + + 32+21 + + + I 43 3221 I I 43 321 I I 43 31 I -12.0 + + 43 + + + +31 + + + -16.0 + 43 31 + +-+-
