主成分模型在满意度研究中的应用新探索
[摘要] 针对主成分分析法在样本量较大时，特征值大于1的前几个主成分的累计方差贡献率在60%以下，信息损失过多的情况，本文提出了一种数据预处理计算主成分的方法，该方法可以不受样本量的限制，并使特征值大1的前几个主成分的累计方差贡献率提高到95%以上。在对某企业的员工满意度实证检验中，与通常方法相比，使得累计方差贡献率由55.32%提高到97.21%，且排序结果显示与事实一致。[关键词] 主成分 满意度 数据预处理
一、基本思路
满意度研究中，主成分分析法是对众多的满意度指标进行评价排序的'一种有效方法。然而，在应用实践中发现，主成分分析法在样本量大于60的时候，特征值大于1的前几个主成分的累计方差贡献率往往在60%以下，即全部信息的损失大于40%，信息损失过大，极大的影响了研究结果的科学性和准确性，也不符合提取的主成分累计方差贡献率在85%以上的原则，给主成分分析法在满意度中的研究带来了问题。
本文的基本思路是对调查数据进行预处理，然后计算主成分的方法。具体方法是: 首先，在满意度调查问卷上，对各指标的测量尺度仍然采用Likert 5 级划分, 分为“很不满意”、“不满意”、“一般”、“满意”、“很满意”五种；其次，对调查样本数据进行预处理。统计各指标不同满意程度的样本数，计算各指标不同满意程度样本所占调查总样本的百分比；再次，将每个指标不同满意程度的5个百分比数据调入SPSS软件进行主成分计算分析；最后，将各指标对应的综合回归系数做为该指标的权重，进行分析、评价。
在对满意度进行主成分分析时，增加了一个数据预处理程序，使用处理过的数据做主成分计算、分析。这样第一，可以使得各满意程度平等的权重，保证了做主成分分析时，各满意程度数据的平等性；第二，对数据进行预处理后，对分散的原始信息进行了集中，每个指标只要五个数据参与主成分分析计算，使得提取的大于1的主成分的累计方差贡献率大大提高，一般在95%或以上；第三，使主成分的应用突破了样本量的限制，样本量的大小不再影响提取的主成分的累计方差贡献率，可以扩大主成分的应用范围。这种方法在一定程度上保证了分析结论的科学性和准确性。
二、实证检验
1.调查设计及数据检验。以2007年11月对某企业的一次员工满意度调查为例。本次调查委托该企业人力资源部组织进行的，这样也引起了员工的充分重视，保证了问卷的回收率；同时，为保证员工尽量客观真实回答问题，对问卷采用了匿名形式做答。调查因素分为发展机遇（X1）、工资报酬（X2）、薪酬公平度（X3）、晋升机会（X4）、工作兴趣度（X5）、工作适合度（X6）、工作绩效评价制度（X7）、管理水平（X8）、同事间工作的配合协作（X9）、上班的工作环境（X10）、保险保障制度（X11）、福利待遇（X12）、工伤保险（X13）、分配机制（X14）、归属感（X15）。测量尺度采用Likert 5 级划分, 分别为“很不满意”、“不满意”、“一般”、“ 满意”、“很满意”, 其中1 分代表“最不满意”, 逐次增加。本次调查共取得调查表154份，经过整理分析得到有效问卷152份，有效回收率为98.7%。将调查数据调入SPSS15.0软件进行信度和效度检验。经检验Cronbach α系数为0.817, 表明该量表内部一致性良好；KMO值为0.819，近似卡方值为556.757，自由度为105，显著性水平为0.000，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。
【主成分模型在满意度研究中的应用新探索】相关文章：