2022年软件开发人员的薪金.doc

《2022年软件开发人员的薪金.doc》由会员分享，可在线阅读，更多相关《2022年软件开发人员的薪金.doc（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、建立模型研究薪金与资历、治理责任、教育程度的关系，分析人事策略的合理性，作为新聘用人员薪金的参考 46名软件开发人员的档案材料 资历 从事专业工作的年数；治理 1=治理人员，0=非治理人员；教育 1=中学，2=大学，3=更高程度分析与假设 y 薪金，x1 资历（年）x2 = 1 治理人员，x2 = 0 非治理人员教育1=中学2=大学3=更高 中学：x3=1, x4=0 ；大学：x3=0, x4=1； 更高：x3=0, x4=0 线性回归模型 a0, a1, , a4是待可能的回归系数，e是随机误差 模型求解软件开发人员的薪金(MATLAB实现) 根本模型:参数参数可能值置信区间a011032

2、10258 11807 a1546 484 608 a26883 6248 7517 a3-2994 -3826 -2162 a4148 -636 931 R2=0.957 F=226 p=0.000资历增加1年薪金增长546 治理人员薪金多6883 中学程度薪金比更高的少2994 大学程度薪金比更高的多148 a4置信区间包含零点，解释不可靠!模型(1)的计算结果及其残差分析图: 图 9:模型(1)x1与的关系 M=dlmread(D:随机数学建模xinjindata.m); n=46; x1=M(:,3); x2=M(:,4); x3=M(:,6); x4=M(:,7); y=M(:,2)

3、; x=ones(n,1) x1 x2 x3 x4 ; b,bint,r,rint,stats=regress(y,x); s2=sum(r.2)/(n-5); b,bint,stats,s2 plot(x1,r,+) b = 1.0e+004 * 1.1033 0.0546 0.6883 -0.2994 0.0148 bint = 1.0e+004 * 1.0258 1.1807 0.0484 0.0608 0.6248 0.7517 -0.3826 -0.2162 -0.0636 0.0931 stats = 0.9567 226.4258 0 s2 = 1.0571e+006 残差大概分

4、成3个水平， 6种治理教育组合混在一起，未正确反映 。图 10:模型(1) x2-x3 .x4与 组合关系(MATLAB实现如下) M=dlmread(D:随机数学建模xinjindata.m); n=46; x1=M(:,3); x2=M(:,4); x3=M(:,6); x4=M(:,7); y=M(:,2); x=ones(n,1) x1 x2 x3 x4 ; b,bint,r,rint,stats=regress(y,x); s2=sum(r.2)/(n-5); xx=M(:,8); plot(xx,r,+) 残差全为正，或全为负，治理教育组合处理不当 应在模型中增加治理x2与教育x3

5、, x4的交互项 更好的模型: (1)的改良 增加 x2与 x3,x4的交互项后,模型为: 模型(2)的计算结果及其残差分析图: 图 11:模型(2) x1与的关系 M=dlmread(D:随机数学建模xinjindata.m); y=M(:,2); x1=M(:,3); x2=M(:,4); x3=M(:,6); x4=M(:,7); x5=x2.*x3; x6=x2.*x4; n=length(y); x=ones(n,1) x1 x2 x3 x4 x5 x6; b,bint,r,rint,stats=regress(y,x); s2=sum(r.2)/(n-7); b,bint,stat

6、s,s2 plot(x1,r,+) b = 1.0e+004 * 1.1204 0.0497 0.7048 -0.1727 -0.0348 -0.3071 0.1836 bint = 1.0e+004 * 1.1044 1.1363 0.0486 0.0508 0.6841 0.7255 -0.1939 -0.1514 -0.0545 -0.0152 -0.3372 -0.2769 0.1571 0.2101 stats = 1.0e+003 * 0.0010 5.5448 0 s2 = 3.0047e+004 图 12:模型(2)x2- x3，x4与组合关系(MATLAB实现如下) M=dl

7、mread(D:随机数学建模xinjindata.m); y=M(:,2); x1=M(:,3); x2=M(:,4); x3=M(:,6); x4=M(:,7); x5=x2.*x3; x6=x2.*x4; n=length(y); x=ones(n,1) x1 x2 x3 x4 x5 x6; b,bint,r,rint,stats=regress(y,x); s2=sum(r.2)/(n-7); xx=M(:,8); plot(xx,r,+) 异常数据处理后的模型:残差分析图: 图 13:模型(2)去掉异常数据后 x1 与e 的关系 M=dlmread(D:随机数学建模xinjindata

8、.m); M=M(1:32,:);M(34:46,:); y=M(:,2); x1=M(:,3); x2=M(:,4); x3=M(:,6); x4=M(:,7); x5=x2.*x3; x6=x2.*x4; n=length(y); x=ones(n,1) x1 x2 x3 x4 x5 x6; b,bint,r,rint,stats=regress(y,x); s2=sum(r.2)/(n-7); b,bint,stats,s2 plot(x1,r,+), b = 1.0e+004 * 1.1200 0.0498 0.7041 -0.1737 -0.0356 -0.3056 0.1997 b

9、int = 1.0e+004 * 1.1139 1.1261 0.0494 0.0503 0.6962 0.7120 -0.1818 -0.1656 -0.0431 -0.0281 -0.3171 -0.2942 0.1894 0.2100 stats = 1.0e+004 * 0.0001 3.6701 0 s2 = 4.3474e+003 图 14:模型(2)去掉异常数据后e与X2-X3,X4组合关系 M=dlmread(D:随机数学建模xinjindata.m); M=M(1:32,:);M(34:46,:); y=M(:,2); x1=M(:,3); x2=M(:,4); x3=M(:

10、,6); x4=M(:,7); x5=x2.*x3; x6=x2.*x4; n=length(y); x=ones(n,1) x1 x2 x3 x4 x5 x6; b,bint,r,rint,stats=regress(y,x); xx=M(:,8); plot(xx,r,+) 制订6种治理教育组合人员的“根底”薪金(资历为0）x1= 0； x2 = 1 治理，x2 = 0 非治理中学：x3=1, x4=0 ；大学：x3=0, x4=1； 更高：x3=0, x4=0 组合治理教育系数“根底”薪金101a0+a39463211a0+a2+a3+a513448302a0+a410844412a0+a2+a4+a619882503a011200613a0+a218241大学程度治理人员比更高程度治理人员的薪金高 大学程度非治理人员比更高程度非治理人员的薪金略低