1. 引言
公司招聘的质量对一个企业的发展就显得尤为重要。但当前大多数公司在招聘选拔流程的各个环节中没有科学的决策方法，评估工具有限且缺乏正规性，选拔中主观随意性比较强，这些问题导致公司不能够准确的选拔出优秀的员工[1]。如何在应聘者各类信息繁杂且人数众多的简历选出合适的且最优秀的人员已成为公司领导决策层非常关注的问题。
本文使用多元统计分析中的聚类分析法和主成份分析法对公司招聘进行应聘者优秀程度的筛选，其基本思想是，把原变量组合成一组新的独立互不相关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息，从而达到将高维信息进行降维处理的效果[2]。在此基础上利用SPSS统计软件实现相关数据的计算[3]，为招聘工作的人员选拔提供有效依据。
2. 公司招聘中的多元统计分析
2.1. 数据介绍
假设有A公司在本次招聘中收到的48份简历，公司根据15个判别标准对48份简历进行打分，其中15个标准与学历、外貌、责任感、自信、精明、诚实、仪表、经验、积极性、适应性、抱负、创新、读写、交流、申请信有关，每个评分标准分值为0~10分[4]，具体得分情况取自文献[2] (高惠璇(2005)) [5]中的数据(如表1所示)。
Table 1. Score of resume received by company A
表1. A公司收到的简历表得分情况
应聘者 |
x1 |
x2 |
x3 |
x4 |
x5 |
x6 |
x7 |
x8 |
x9 |
x10 |
x11 |
x12 |
x13 |
x14 |
x15 |
学历 |
经验 |
责任感 |
自信 |
精明 |
诚实 |
仪表 |
外貌 |
积极性 |
适应性 |
抱负 |
创新 |
读写 |
交流 |
申请信 |
1 |
6 |
7 |
2 |
5 |
8 |
7 |
8 |
8 |
3 |
8 |
9 |
7 |
5 |
7 |
10 |
2 |
9 |
10 |
5 |
8 |
10 |
9 |
9 |
10 |
5 |
9 |
9 |
8 |
8 |
8 |
10 |
3 |
7 |
8 |
3 |
6 |
9 |
8 |
9 |
7 |
4 |
9 |
9 |
8 |
6 |
8 |
10 |
4 |
5 |
6 |
8 |
5 |
6 |
5 |
9 |
2 |
8 |
4 |
5 |
8 |
7 |
6 |
5 |
5 |
6 |
8 |
8 |
8 |
4 |
4 |
9 |
5 |
8 |
5 |
5 |
8 |
8 |
7 |
7 |
6 |
7 |
7 |
7 |
6 |
8 |
7 |
10 |
5 |
9 |
6 |
5 |
8 |
6 |
6 |
6 |
续表
7 |
9 |
9 |
8 |
8 |
8 |
8 |
8 |
8 |
10 |
8 |
10 |
8 |
9 |
8 |
10 |
8 |
9 |
9 |
9 |
8 |
9 |
9 |
8 |
8 |
10 |
9 |
10 |
9 |
9 |
9 |
10 |
9 |
9 |
9 |
7 |
8 |
6 |
8 |
8 |
5 |
9 |
8 |
9 |
8 |
8 |
8 |
10 |
10 |
4 |
7 |
10 |
2 |
10 |
10 |
7 |
10 |
3 |
10 |
10 |
10 |
9 |
3 |
10 |
11 |
4 |
7 |
10 |
0 |
10 |
8 |
3 |
9 |
5 |
9 |
10 |
8 |
10 |
2 |
5 |
12 |
4 |
7 |
10 |
4 |
10 |
10 |
7 |
8 |
2 |
8 |
8 |
10 |
10 |
3 |
7 |
13 |
6 |
9 |
8 |
10 |
5 |
4 |
9 |
4 |
4 |
4 |
5 |
4 |
7 |
6 |
8 |
14 |
8 |
9 |
8 |
9 |
6 |
3 |
8 |
2 |
5 |
2 |
6 |
6 |
7 |
5 |
6 |
15 |
4 |
8 |
8 |
7 |
5 |
4 |
10 |
2 |
7 |
5 |
3 |
6 |
6 |
4 |
6 |
16 |
6 |
9 |
6 |
7 |
8 |
9 |
8 |
9 |
8 |
8 |
7 |
6 |
8 |
6 |
10 |
17 |
8 |
7 |
7 |
7 |
9 |
5 |
8 |
6 |
6 |
7 |
8 |
6 |
6 |
7 |
8 |
18 |
6 |
8 |
8 |
4 |
8 |
8 |
6 |
4 |
3 |
3 |
6 |
7 |
2 |
6 |
4 |
19 |
6 |
7 |
8 |
4 |
7 |
8 |
5 |
4 |
4 |
2 |
6 |
8 |
3 |
5 |
4 |
20 |
4 |
8 |
7 |
8 |
8 |
9 |
10 |
5 |
2 |
6 |
7 |
9 |
8 |
8 |
9 |
21 |
3 |
8 |
6 |
8 |
8 |
8 |
10 |
5 |
3 |
6 |
7 |
8 |
8 |
5 |
8 |
22 |
9 |
8 |
7 |
8 |
9 |
10 |
10 |
10 |
3 |
10 |
8 |
10 |
8 |
10 |
8 |
23 |
7 |
10 |
7 |
9 |
9 |
9 |
10 |
10 |
3 |
9 |
9 |
10 |
9 |
10 |
8 |
24 |
9 |
8 |
7 |
10 |
8 |
10 |
10 |
10 |
2 |
9 |
7 |
9 |
9 |
10 |
8 |
25 |
6 |
9 |
7 |
7 |
4 |
5 |
9 |
3 |
2 |
4 |
4 |
4 |
4 |
5 |
4 |
26 |
7 |
8 |
7 |
8 |
5 |
4 |
8 |
2 |
3 |
4 |
5 |
6 |
5 |
5 |
6 |
27 |
2 |
10 |
7 |
9 |
8 |
9 |
10 |
5 |
3 |
5 |
6 |
7 |
6 |
4 |
5 |
28 |
6 |
3 |
5 |
3 |
5 |
3 |
5 |
0 |
0 |
3 |
3 |
0 |
0 |
5 |
0 |
29 |
4 |
3 |
4 |
3 |
3 |
0 |
0 |
0 |
0 |
4 |
4 |
0 |
0 |
5 |
0 |
30 |
4 |
6 |
5 |
6 |
9 |
4 |
10 |
3 |
1 |
3 |
3 |
2 |
2 |
7 |
3 |
31 |
5 |
5 |
4 |
7 |
8 |
4 |
10 |
3 |
2 |
5 |
5 |
3 |
4 |
8 |
3 |
32 |
3 |
3 |
5 |
7 |
7 |
9 |
10 |
3 |
2 |
5 |
3 |
7 |
5 |
5 |
2 |
33 |
2 |
3 |
5 |
7 |
7 |
9 |
10 |
3 |
2 |
2 |
3 |
6 |
4 |
5 |
2 |
34 |
3 |
4 |
6 |
4 |
3 |
3 |
8 |
1 |
1 |
3 |
3 |
3 |
2 |
5 |
2 |
35 |
6 |
7 |
4 |
3 |
3 |
0 |
9 |
0 |
1 |
0 |
2 |
3 |
1 |
5 |
3 |
36 |
9 |
8 |
5 |
5 |
6 |
6 |
8 |
2 |
2 |
2 |
4 |
5 |
6 |
6 |
3 |
37 |
4 |
9 |
6 |
4 |
10 |
8 |
8 |
9 |
1 |
3 |
9 |
7 |
5 |
3 |
2 |
38 |
4 |
9 |
6 |
6 |
9 |
9 |
7 |
9 |
1 |
2 |
10 |
8 |
5 |
5 |
2 |
39 |
10 |
6 |
9 |
10 |
9 |
10 |
10 |
10 |
10 |
10 |
8 |
10 |
10 |
10 |
10 |
续表
40 |
10 |
6 |
9 |
10 |
9 |
10 |
10 |
10 |
10 |
10 |
10 |
10 |
10 |
10 |
10 |
41 |
10 |
7 |
8 |
0 |
2 |
1 |
2 |
0 |
10 |
2 |
0 |
3 |
0 |
0 |
10 |
42 |
10 |
3 |
8 |
0 |
1 |
1 |
0 |
0 |
10 |
0 |
0 |
0 |
0 |
0 |
10 |
43 |
3 |
4 |
9 |
8 |
2 |
4 |
5 |
3 |
6 |
2 |
1 |
3 |
3 |
3 |
8 |
44 |
7 |
7 |
7 |
6 |
9 |
8 |
8 |
6 |
8 |
8 |
10 |
8 |
8 |
6 |
5 |
45 |
9 |
6 |
10 |
9 |
7 |
7 |
10 |
2 |
1 |
5 |
5 |
7 |
8 |
4 |
5 |
46 |
9 |
8 |
10 |
10 |
7 |
9 |
10 |
3 |
1 |
5 |
7 |
9 |
9 |
4 |
4 |
47 |
0 |
7 |
10 |
3 |
5 |
0 |
10 |
0 |
0 |
2 |
2 |
0 |
0 |
0 |
0 |
48 |
0 |
6 |
10 |
1 |
5 |
0 |
10 |
0 |
0 |
2 |
2 |
0 |
0 |
0 |
0 |
2.2. 公司招聘中的主成分分析
主成分分析是考虑各指标之间的相互关系，利用降维的方法将多个指标转化为少数几个互不相关的指标，从而使进一步研究变得简单的一种统计方法。其中这几个互不相关的指标称为主成分，每个主成分均是原始变量的线性组合，且各个主成分之间互不相关，从而使得主成分比原始变量具有某些更优越的性能[6]。
Table 2. Eigenroots and variance contribution table
表2. 特征根和方差贡献表
|
成份 |
初始特征值α |
提取平方和载入 |
合计 |
方差的% |
累积% |
合计 |
方差的% |
累积% |
原始 |
1 |
66.393 |
54.186 |
54.186 |
66.393 |
54.186 |
54.186 |
2 |
18.28 |
14.919 |
69.105 |
18.28 |
14.919 |
69.105 |
3 |
10.618 |
8.665 |
77.77 |
10.618 |
8.665 |
77.77 |
4 |
6.765 |
5.521 |
83.292 |
|
|
|
5 |
3.986 |
3.253 |
86.545 |
|
|
|
6 |
3.628 |
2.961 |
89.506 |
|
|
|
7 |
2.895 |
2.362 |
91.869 |
|
|
|
8 |
2.832 |
2.311 |
94.18 |
|
|
|
9 |
1.96 |
1.599 |
95.779 |
|
|
|
10 |
1.635 |
1.334 |
97.114 |
|
|
|
11 |
1.106 |
0.903 |
98.017 |
|
|
|
12 |
0.851 |
0.694 |
98.711 |
|
|
|
13 |
0.725 |
0.591 |
99.303 |
|
|
|
14 |
0.521 |
0.425 |
99.728 |
|
|
|
15 |
0.334 |
0.272 |
100 |
|
|
|
续表
重新标度 |
1 |
66.393 |
54.186 |
54.186 |
7.455 |
49.699 |
49.699 |
2 |
18.28 |
14.919 |
69.105 |
2.04 |
13.601 |
63.3 |
3 |
10.618 |
8.665 |
77.77 |
1.432 |
9.549 |
72.849 |
4 |
6.765 |
5.521 |
83.292 |
|
|
|
5 |
3.986 |
3.253 |
86.545 |
|
|
|
6 |
3.628 |
2.961 |
89.506 |
|
|
|
7 |
2.895 |
2.362 |
91.869 |
|
|
|
8 |
2.832 |
2.311 |
94.18 |
|
|
|
9 |
1.96 |
1.599 |
95.779 |
|
|
|
10 |
1.635 |
1.334 |
97.114 |
|
|
|
11 |
1.106 |
0.903 |
98.017 |
|
|
|
12 |
0.851 |
0.694 |
98.711 |
|
|
|
13 |
0.725 |
0.591 |
99.303 |
|
|
|
14 |
0.521 |
0.425 |
99.728 |
|
|
|
15 |
0.334 |
0.272 |
100 |
|
|
|
注：在主成分分析提取方法，协方差矩阵的分析中，原始特征值在全体原始解和重标刻度解中均相同。
一般来说，提取主成分的累计贡献率在80%左右是较为合理的，主成分影响力度大小的指标是特征值，在多数情况下应当将累计贡献率和特征值结合起来以综合适合的数量[7]。
因为各个变量(指标)度量的单位都是分，故在协方差的基础上进行计算与分析，得出如表2所示的特征根和方差的贡献表和初始特征值α就是数据协方差矩阵的特征值。前三个特征值累积占了总方差的77.77%，后边的特征值的贡献越来越低。
选取前三个主成份利用SPSS作碎石图，如图1所示，发现前三个主成分的碎石图是最陡的，这与表1的筛选结果是一致的，故用前三个主成分表示这十五个主成分是合理的。
Figure 1. Gravel plot of the first three principal components
图1. 前三个主成份的碎石图
由于主成份是原始变量的线性组合，根据表2的特征根和方差贡献值的计算出如表3所示的成份矩阵α。
Table 3. Component matrix α
表3. 成份矩阵α
|
原始 |
重新标度 |
成份 |
成份 |
1 |
2 |
3 |
1 |
2 |
3 |
学历 |
1.215 |
1.588 |
0.641 |
0.454 |
0.594 |
0.24 |
经验 |
1.078 |
−0.12 |
0.141 |
0.548 |
−0.061 |
0.072 |
责任感 |
0.242 |
0.431 |
−0.431 |
0.122 |
0.217 |
−0.217 |
自信 |
1.657 |
−0.381 |
2.02 |
0.591 |
−0.136 |
0.72 |
精明 |
1.85 |
−1.059 |
−0.632 |
0.766 |
−0.438 |
−0.261 |
诚实 |
2.748 |
−0.835 |
−0.399 |
0.867 |
−0.263 |
−0.126 |
仪表 |
0.982 |
−1.272 |
1.463 |
0.387 |
−0.502 |
0.577 |
外貌 |
3.094 |
−0.391 |
−0.918 |
0.9 |
−0.114 |
−0.267 |
积极性 |
1.334 |
2.715 |
0.064 |
0.403 |
0.821 |
0.019 |
适应性 |
2.577 |
0.055 |
−0.367 |
0.874 |
0.019 |
−0.125 |
抱负 |
2.544 |
−0.519 |
−0.787 |
0.867 |
−0.177 |
−0.268 |
创新 |
2.764 |
−0.315 |
−0.161 |
0.911 |
−0.104 |
−0.053 |
写作 |
2.914 |
−0.102 |
0.136 |
0.915 |
−0.032 |
0.043 |
交流 |
1.843 |
−0.18 |
1.256 |
0.694 |
−0.068 |
0.473 |
申请信 |
2.237 |
2.01 |
0.041 |
0.678 |
0.609 |
0.012 |
注：提取方法是主成份，表中表示已提取了3个成分。
从表3中可以看出，每一列就是一个主成份作为原始变量的线性组合的系数，这些系数成为主成份载荷，其值(绝对值)越大，表示该主成份对于这个原始变量的代表性就越大。故第一主成份对“写作”、“创新”、“诚实”、“适应性”、“抱负”、“外貌”的解释很充分；第二主成份对“积极性”、“申请信”的解释很充分；第三主成份对“自信”的解释很充分。
3. 公司招聘中的聚类分析——K-均值聚类
在招聘方案设计中，一般要应聘者分为不同的种类，但无法判断具体分成几类是合适，为了解决这个问题，首先把数据进行聚类分析，并进行快速调试对比[8]。尽管随着聚类数的不同，得出的结论不尽相同，但是分析方式是相似的，故仅选取“聚类数为2”情形进行一个完整的分析。
3.1. 聚类数为2的情形
表4是初始聚类中心表，由于没有指定初始聚类中心，故列出了由系统指定的聚类中心，与原数据比较，可见它们分别是48号和40号。
Table 4. Initial cluster center table
表4. 初始聚类中心表
|
聚类 |
|
聚类 |
1 |
2 |
1 |
2 |
学历 |
0 |
10 |
积极性 |
0 |
10 |
经验 |
6 |
6 |
适应性 |
2 |
10 |
责任感 |
10 |
9 |
抱负 |
2 |
10 |
自信 |
1 |
10 |
创新 |
0 |
10 |
精明 |
5 |
9 |
读写 |
0 |
10 |
诚实 |
0 |
10 |
交流 |
0 |
10 |
仪表 |
10 |
10 |
申请信 |
0 |
10 |
外貌 |
0 |
10 |
|
|
|
根据表4得出如表5所示的迭代历史，由表5可知，第一次迭代后，2个类的中心点分别变化了11.737和10.099一共进行了3次迭代，达到聚类结果的设置，聚类分析结束，并得出最终聚类结果如表6所示。
Table 5. Iteration history
表5. 迭代历史
|
聚类中心内的更改 |
迭代 |
1 |
2 |
1 |
11.737 |
10.099 |
2 |
0.853 |
0.708 |
3 |
0 |
0 |
Table 6. Cluster center table of final clustering results
表6. 最终聚类结果的类中心表
|
聚类 |
|
聚类 |
1 |
2 |
1 |
2 |
学历 |
5 |
7 |
积极性 |
3 |
5 |
经验 |
6 |
8 |
适应性 |
3 |
7 |
责任感 |
7 |
7 |
抱负 |
3 |
8 |
自信 |
5 |
7 |
创新 |
4 |
8 |
精明 |
5 |
8 |
读写 |
3 |
8 |
诚实 |
4 |
8 |
交流 |
4 |
7 |
仪表 |
7 |
9 |
申请信 |
4 |
8 |
外貌 |
2 |
7 |
|
|
|
表7是方差分析表，各项数据的含义分别是：组间均方、组间自由度、组内均方、组内自由度，其中Sig值表示显著度，其置信区间通常是95%。若Sig值大于0.05，则说明接受原假设，即不同类别之间没有显著性差异。反之，则说明拒绝接受原假设，即不同类别之间有显著性差异。
Table 7. Analysis of variance table—aggregation number of 2
表7. 方差分析表——聚合数为2
|
聚类 |
误差 |
F |
Sig. |
均方 |
df |
均方 |
df |
学历 |
30.561 |
1 |
6.64 |
46 |
4.603 |
0.037 |
经验 |
51.857 |
1 |
2.822 |
46 |
18.376 |
0 |
责任感 |
3.857 |
1 |
3.952 |
46 |
0.976 |
0.328 |
自信 |
66.667 |
1 |
6.594 |
46 |
10.111 |
0.003 |
精明 |
121.04 |
1 |
3.336 |
46 |
36.287 |
0 |
诚实 |
225.074 |
1 |
5.375 |
46 |
41.876 |
0 |
仪表 |
24.107 |
1 |
6.039 |
46 |
3.992 |
0.052 |
外貌 |
356.984 |
1 |
4.326 |
46 |
82.521 |
0 |
积极性 |
33.23 |
1 |
10.462 |
46 |
3.176 |
0.081 |
适应性 |
233.889 |
1 |
3.792 |
46 |
61.683 |
0 |
抱负 |
261.35 |
1 |
3.122 |
46 |
83.702 |
0 |
创新 |
222.354 |
1 |
4.579 |
46 |
48.557 |
0 |
读写 |
289.096 |
1 |
4.07 |
46 |
71.032 |
0 |
交流 |
60.86 |
1 |
5.89 |
46 |
10.332 |
0.002 |
申请信 |
164.827 |
1 |
7.545 |
46 |
21.845 |
0 |
从表7中可以看出，类别一与类别二的“责任感”因素没有显著性差异；类别一与类别二的“仪表”因素没有有显著性差异；类别一与类别二的“积极性”因素没有显著性差异。于是可以看出，把48个样本聚合成2类，这2类出现了较多的因素没有显著性差异，分类的效果明显不够理想。
3.2. 聚类数为3，4，5，6，7，8的情形
与聚类数为2时，分析基本类似，只需要比较它们的方差分析表中Sig的值即可确定合适的聚类数，如下所示的表8分别表示聚类数为3，4，5，6，7，8时，各指标的Sig值。
Table 8. Sig value table
表8. Sig值表
|
K = 2 |
K = 3 |
K = 4 |
K = 5 |
K = 6 |
K = 7 |
K = 8 |
学历 |
0.037 |
0.055 |
0 |
0 |
0 |
0 |
0 |
经验 |
0 |
0 |
0 |
0.009 |
0 |
0.001 |
0.002 |
责任感 |
0.328 |
0.408 |
0.123 |
0.795 |
0.06 |
0.072 |
0.075 |
自信 |
0.003 |
0.018 |
0 |
0 |
0 |
0 |
0 |
精明 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
诚实 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
续表
仪表 |
0.052 |
0 |
0 |
0 |
0 |
0 |
0 |
外貌 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
积极性 |
0.081 |
0 |
0 |
0 |
0 |
0 |
0 |
适应性 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
抱负 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
创新 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
读写 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
交流 |
0.002 |
0 |
0 |
0 |
0 |
0 |
0 |
申请信 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
通过观察，当聚合数等于2时，有三个sig值是大于0.05的，说明类别一和类别二对责任感、仪表、积极性的描述没有显著性差异，可见，样本聚合成两类还不够合理；当聚合数等于3时，有两个sig值是大于0.05的，说明类别一、类别二和类别三对学历和责任感的描述没有显著性差异，可见，样本聚合成三类依然不够合理；当聚合数等于4时，只有一个sig值是大于0.05的，说明类别一、类别二、类别三和类别四对责任感的描述没有显著性差异，此时sig值为0.123，可见样本聚合成四类还是不够合理；当聚合数等于5时，只有一个sig值大于0.05的，说明类别一、类别二、类别三、类别四和类别五对责任感的描述没有显著性差异，此时sig = 0.795,可见样本聚合成五类还是不够合理；当聚合数等于6时，只有一个sig值是大于0.05的，说明类别一、类别二、类别三、类别四、类别五和类别六对责任感的描述没有显著性差异，此时sig = 0.06；当聚合数等于7时，只有一个sig值是大于0.05的，说明类别一、类别二、类别三、类别四、类别五、类别六和类别七对责任感的描述没有显著性差异，此时sig = 0.072；当聚合数等于8时，只有一个sig值是大于0.05的，说明类别一、类别二、类别三、类别四、类别五、类别六、类别七和类别八对责任感的描述没有显著性差异，此时sig = 0.075。
由此可得，当聚合数超过4时，不同类别进对一个指标的描述存在没有显著性差异，且对应的sig值先是减少，再是增加，在聚合数为6的时候，达到最小值，故将样本聚合成6类是是成功的，于是各应聘者属于哪个类别，在表9中得到描述。
Table 9. Cluster member table
表9. 聚类成员表
案例号 |
应聘者 |
聚类 |
距离 |
案例号 |
应聘者 |
聚类 |
距离 |
1 |
1 |
2 |
8.361 |
25 |
25 |
3 |
4.984 |
2 |
2 |
2 |
3.821 |
26 |
26 |
1 |
4.968 |
3 |
3 |
2 |
5.856 |
27 |
27 |
1 |
6.091 |
4 |
4 |
1 |
6.369 |
28 |
28 |
5 |
5.359 |
5 |
5 |
1 |
6.905 |
29 |
29 |
5 |
8.449 |
6 |
6 |
1 |
6.351 |
30 |
30 |
3 |
5.817 |
7 |
7 |
2 |
4.606 |
31 |
31 |
3 |
5.488 |
8 |
8 |
2 |
4.85 |
32 |
32 |
3 |
6.01 |
续表
9 |
9 |
2 |
5.483 |
33 |
33 |
3 |
5.914 |
10 |
10 |
6 |
3.59 |
34 |
34 |
5 |
4.552 |
11 |
11 |
6 |
4.888 |
35 |
35 |
5 |
6.511 |
12 |
12 |
6 |
3.543 |
36 |
36 |
1 |
7.053 |
13 |
13 |
1 |
6.397 |
37 |
37 |
1 |
9.186 |
14 |
14 |
1 |
6.168 |
38 |
38 |
1 |
9.064 |
15 |
15 |
3 |
6.61 |
39 |
39 |
2 |
6.707 |
16 |
16 |
2 |
5.276 |
40 |
40 |
2 |
6.753 |
17 |
17 |
1 |
6.378 |
41 |
41 |
4 |
2.915 |
18 |
18 |
1 |
6.415 |
42 |
42 |
4 |
2.915 |
19 |
19 |
1 |
6.578 |
43 |
43 |
3 |
9.357 |
20 |
20 |
1 |
6.888 |
44 |
44 |
2 |
6.539 |
21 |
21 |
1 |
5.717 |
45 |
45 |
1 |
6.772 |
22 |
22 |
2 |
5.105 |
46 |
46 |
1 |
7.591 |
23 |
23 |
2 |
5.363 |
47 |
47 |
5 |
7.145 |
24 |
24 |
2 |
6.207 |
48 |
48 |
5 |
7.169 |
4. 综合分析
综上所述，最终把公司招聘中的指标确定为6个类。第一类：(36，45，46，14，17，6，26，5，13，18，19，4，20，37，38，21，27)，这些应聘者的水平比较接近，除了在仪表方面得分都很高以外，在其他方面没有特别突出的表现；第二类：(39，40，2，7，8，9，22，24，3，23，44，1，16)，这些应聘者各方面的得分都很高，说明各方面都很优秀；第三类：(25，31，15，30，32，43，33)，这些应聘者各方面得表现都很平庸；第四类：(41，42，28)，这些应聘者在学历和责任感程度方面都得分很高，其他方面得分很低；第五类：(35，29，34，47，48)，这些应聘者的特点是在责任感和仪表方面表现突出，在其他方面得分变现得很差，得分均在零附近；第六类：(12，10，11)，这些应聘者在某些方面表现极为突出。
5. 结论
本文对某公司招聘数据进行分析，以便为公司选择出理想的应聘者，采用了两种多元分析方法(主成分分析，聚类分析)，并以统计软件SPSS作计算分析，完成了统计分析过程，解决了以往人力资源主管在招聘公司员工时的盲目性问题[9]。对于一般情况，只需要用快速聚类方法，把N个应聘人员聚类为M类即可，再通过主成分分析法计算主成分，将主成分蕴涵的信息给与适当的解释，SPSS软件的运用，简化了复杂的计算，提高了招聘过程中的可操作性。
通过统计分析可以知道，在主成分分析下，可以把15维的样本空间降到3维，考虑选择前三个主成分，用这三个主成分代替所有主成分；在聚类分析中的K-均值法中，把48个应聘者聚成6类。最后可利用这两种方法得出的结果可以轻松的做进一步数据分析。公司可以根据自己的需求挑选符合要求的应聘者。
利用多元分析分析公司招聘，从理论到实践上看可以得到比较可行的分类，可是任何分析方法都有其一定的局限性，当各考核项目之间不存在线性关系时，主成份分析方法便不适用了。虽然主成分分析、聚类分析可以对考核项目和应聘者进行较合理的分析，但仍存在不足，还需要不断地对应聘者在实际工作中认真观察。
基金项目
广西教育规划2021年度课题资助(项目编号：2021A024)、广西自然科学基金资助(项目任务书编号：2024GXNSFAA010478)、教育部产学合作协同育人项目(项目编号：220505876240149)、广西高校中青年教师科研基础能力提升项目(项目编号：2024KY0757)。
NOTES
*第一作者。
#通讯作者。