PeopleSoft HRMS应用实例分析
前言
目前而言，国内很多企业不重视人力资源电子化管理，不太认可人力资源软件，原因在于：
1．认为人力资源管理是近几年的事情，多数资料，资格考试内容都是来源国外，缺少适合中国国情的相关信息；
2．外资企业认为自己的内部智能管理系统能满足需要，国内企业多数不重视人力资源管理；
3．认为软件成品只是针对一个行业，例如医药，食品。而与企业实际需要存在差距，因此并不实用。
确实有企业重视管理，但是实际运用的软件的情况并不好。
其中原因大致在于：
1，使用的软件功能不足，不能很好的满足于企业实际情况需要；
2，软件操作繁琐，相关人员不愿意使用，认为没有手工方便，或者没有实际提高效率，因此产生抵制情绪。
本文通过对某家企业人力资源管理现状的分析，总结人力资源管理软件应用失败的原因，结合PeopleSoft HRMS系统，制订出一套适合的规划设计意见，以期达到现代企业的管理目标。
实施PeopleSoft HRMS的优点：
1．PeopleSoft HRMS整合了所有的相关数据，并且将相关流程相互连接。比如说将薪酬系统与绩效考核、福利系统相互连接，能够提高公司内部的人力资源系统的效力。
2．具有完善的员工自助服务系统（eService）。使得员工有权限知道自己在公司中的任何情况，并能管理很多事务。例如员工有权限查询公司所提供的培训课程，自己是否有兴趣
参加这种课程等。经理可以让员工退休，提升，并转换员工职务。这样一来，不仅是人力资源部门使用，整个企业都可以使用。
3．将公司的劳动力管理和公司的整个目标达成一致，以便提高公司的绩效。其中包括绩效管理，学习管理，以及劳动力分析三个方式。这样可以使得员工能够理解公司的发展目标以及远景情况，知道公司所处的阶段以及运营情况是否良好，对于公司整体非常有利。
目标
希望在使用PeopleSoft HRMS系统以后，可以协助企业建立一个完整规范有效率的人力资源管理体系。把原来事务性的运作转换到系统里，使得人力资源管理人员从日常事务中解放出来，把精力投入到更重要的战略层面上人力资源管理领域，并且实现这种战略规划。其中战略目标为：
1．加强人力资源规划。从公司长远发展角度建设员工队伍，根据公司的发展目标，制订相应的人力资源措施。
2．规范招聘制度，建立公司“优良雇主”形象，采用严格的招聘程序。
3．建立完善的培训体系和员工事业发展机制，引导人力资源开发。
4．主动引导雇员发展。协调员工的个人能力发展与公司需要，引导各类人员按照公司的要求不断提高自己的能力，同时员工的个人能力也得到发展。
5．建立完善的考核系统。综合考评各类人员的能力，业绩，和主要工作职责方面，以此作为奖励、晋级的依据。
6．在满足公司发展的前提下，实现公平，合理。通过岗位评价实现内部公平，通过外部薪酬调查实现外部公平，通过业绩考核实现自我公平。
实施的目标为：
1．提高效率，把行政性事务工作交给电脑系统处理，转变工作方式，所有的人力资源数据在同一个数据库里面，具备了统一规范的人力资源规范。
2．这样的系统能够适应快速成长的需要，包括招聘人才，加强培训，实现人才发展等。
实例分析
采访对象
xx有限公司人力资源部经理xx
企业背景
该公司是一家管理相对规范的劳动密集型企业，公司规模25000人，扩展较快，行业规模居全国第二，月人员流动率在1％左右（一般劳动密集型企业流动率平均为3％）。曾经使用过国内浪潮HR系统，但因最终效果不明显，员工抗拒使用而不了了之。现有软件只是作为人事档案查询使用。
以下就人力资源管理中招聘，培训，考核，薪酬几大模块分析软件实施失败原因并结合PeopleSoft HRMS提出改进办法。
招聘
人员招聘和录用是公司为了自身发展及时获取所需各类人才的重要途径和手段。招聘录用要补充有较好素质和能给公司带来价值的新员工。
目前情况：
公司发展较快，在扩张的过程中需要大量招聘员工，最多时候达到5000 －6000人。平时人力规划上比较灵活，但是工作分析做得不好，没有明确的工作说明和规范，造成岗位职责不明确，存在大量岗位重叠，又缺乏长远考虑，因此导致变化需求太快，偶发事件多，招聘计划常常更改。公司人员来源比较单一，外部招聘占主要因素，内部调配缺乏，员工没有主动权。
分析：
原有软件无法满足大规模招聘需求，软件自身过于成文，满足不了变化的需求，人事相关人
员认为使用手工会更适合。例如针对大规模招聘：在公司的操场，20多人现场招聘，包括填表、审验证件，然后再有五个人领到医务室查体，一两人负责餐饮、住宿安排。原有软件是人事人员专用，其他部门人员无法使用，造成内部招聘与举荐方式操作困难。
改进：
1．明确招聘需求。第一，缺员的补充，如因员工调动，退休，晋升等原因。第二，突发人员需求，因不可预料的业务，工作变化而急需特殊技能人员。第三，扩大编制，因公司发展壮大，需要大规模扩大现有人员规模以及编制。第四，储备人才，为了促进公司目标的实现，而需要储备一些各类专门的人才，比如大学生，专门技术人才。
2．建立公平，有效率的招聘政策。包括招聘的工作原则，公平，考用一致。招聘方式分为内部和外部，应优先考虑内部人员，外部可以通过广告，招聘会，职业介绍所，同业推荐等形式。
3. 计算招聘费用，建立高效，透明，费用合理的招聘流程。
4．完善招聘程序。招聘需求－招聘申报（费用计算）－内部招聘－外部招聘－甄选－试用－最终聘用
另外特殊人才可不经过这些程序，直接由人力资源部负责收集、核实，直接由相关部门和总经理面试，录用后采用特殊的薪酬政策。
实施PeopeSoft HRMS
首要条件及设置：
1．确保安装相关模块，包括人力资源，电子招聘，电子概要，电子招聘管理员等。
2．设定好招聘工作流程（Workflow），以确保需要触发一个招聘事件的时候有相应的通知发给有关负责人。例如人力资源经理利用电子招聘的推荐申请人功能，输入推荐特殊人才信息后，按照设定好的工作流程，会自动产生通知(Notifications)给其他模块管理人员，包括福利，薪酬，考核等等。
3．招聘需求的来源，由经理通过电子招聘管理员模块（eRecruit Manager Desktop）发出用人需求，包括职位名称，基本要求等，然后传送给人力资源管理人员。
4．设定好系统安全性，确保各种用户，角色，行为许可能正常正确运作。
运用软件实施招聘程序：
1.人力资源管理人员可以通过招聘人员模块（Recruit Workforce），发出招聘需求申报（Job
Requisition Data），具体信息包括职位名称，基本技能及教育程度，所需招募人数，内部
或外部招聘等。接着输入招聘所需的费用（Job Requistion Expenses），获得人力资源经理通过之后，通过各种途径发布出来。
2. 如果是技术人员，管理人员等具备较高知识技能的求职人员（External User），人力资源
管理人员使用应征者数据功能（Applicant Data）将其信息输入系统。信息包括姓名，地址，性别，应征岗位等等。并同时可以使用参考功能（References）功能输入其他参考信息，例如内/外部应征者，注释等等。
如果针对大规模招聘基层工人，可先由通过需求申报，在相关职位需求信息发布出来，由职业介绍所相关人员（External User）或者由公司人力资格管理相关人员（Internal User）登陆系统，使用应征者数据功能（Applicant Data）输入大量员工的个人信息，简历。此处不需要使用参考功能（References）。
内部员工参与职位竞争的，（Internal User），可以直接登陆系统，通过电子招聘模块（eRecruit），查询公开职位信息，投递简历。（内部员工的简历会被优先考虑）
推行举荐方式，企业内部员工可以通过电子招聘模块（eRecruit）推荐符合公司职位需求的外来人选（Referrals）。（这也会被优先考虑，优先级为最高：内部，其次：推荐，最后：外部）。
3．人事工作人员通过面试人员可用功能（Interviewer Availability）来确定哪些面试人员在哪段时间进行面试。
然后面试工作人员，可以登陆系统，通过电子招聘模块（eRecruit）查询面试计划表（Interview Schedule），包括查看申请人的姓名，面试地点，面试日期。完成面试工作以后，输入针对申请人的评价(Evaluations)，加上评论，反馈给人事经理。此处是面试人员使用自助服务系统。另外人事管理人员也可以通过应征者行为模块（Applicant Activity）来完成面试评价工作。
结束甄选的过程。
4．在应征人员通过面试之后，会有相应的招聘工作流程将通知发给其他相关的模块负责人员，例如人力资源，薪酬，考核，福利，发展等。同时该员工信息（薪酬，福利等等）会通过管理员工模块（Administer Workforce）的雇用功能（Hire）加入到系统中，今后有关这个员工的一切人力资源活动，例如转正，提升，辞退等等都在PeopleSoft HRMS 系统中进行。
5．在确定下来试用人员，度过试用期以后。（试用过程将涉及到培训，下文将讲到）经理登陆系统，按照试用员工的考核标准，通过电子概要管理员（eProfile Manager Desktop）模块，更改员工的职务信息，将其试用改为正式录用，此处是部门经理使用自助服务系统。
另外人事管理人员也可以通过管理员工（Administer Workforce）模块的更新工作功能（Update Current Job）来完成这一个操作。
6. 在试用之前和试用之后（转正），人事人员通过应聘者合同功能（Applicant Contract Data）
来确定试用或正式录用合同。
7. 另外，人事人员可以通过申请者简化功能（Applicant Purge）来设定过滤条件，从而更快
的找到适合的应征人员。例如可以设定投递简历的日期，过滤内部或外部应征对象等等。
人事人员还可以使用必要条件搜索（Requirements Search – Candidate, Contractor）来快速得到符合条件的应征者。
最后，人事人员可以通过（Requisition Summaries）来得到整个招聘流程的信息，包括流程（Routings），面试人员（Interviews），提供工作机会（Offers），费用（Expenses）。
至此，完成整个招聘过程。
附：
所涉及到的PeopleSoft HRMS模块组件包括：
招聘人员（Recruit Workforce）；
管理员工（Administer Workforce）；
电子招聘（eRecruit）；
电子招聘管理员（eRecruit Manager Desktop）；
电子档案管理员(eProfile Manager Desktop)
培训
为提高员工素质，满足公司发展和员工发展需求，创建优秀员工队伍，需要指定有效的培训制度，制度应该适用于公司所有员工。
目前情况：
上岗前主要是企业文化、发展史、企业结构和基本规章制度的培训，上岗后有一个月的实习期，跟老师学习岗位技能；后勤员工利用公司的内部网络、多个专业培训班选择自己喜欢的内容。
培训效果不明显，只是将培训作为一种针对员工的福利，而实际运用到工作中较少，因此员工并不在意培训评估效果。培训缺乏对人员能力开发和个人发展指导，因此员工没有归属感和发展目标。
分析：
出于员工工作需求和费用的考虑，没有使用软件来实施培训计划。如果对所有基层员工进行电脑技能培训，开支太大，优点不明显。因此并没有对培训过程进行软件实施。
该企业在这个模块的软件运用基本没有，存在可深挖掘需求的潜在可能。可以从切合实际需求和成本两方面的角度进行分析改进。
改进：
1．明确培训目标和战略。培训的目标是通过培训不断提高员工的知识水平，工作能力和能动性。把因员工知识，能力不足和态度不积极而产生的人力成本的浪费控制在最小限度。
并使员工达到自我实现的目标。
战略是全员参与，终生培训，培训制度和员工职业生涯计划，个人兴趣相结合，促进公司与个人的共同发展。
2．规范培训的组织策划：由公司人力资源部负责培训活动的统筹，规划。人力资源部培训主管负责具体的实施和控制。公司其他各部门人员协助人力资源部进行培训的实施，检查，以及异常情况的追踪，同时组织好本部门内部培训。
3．明确受训者的权利和义务：在不影响本职工作的前提下，员工有权利要求参加公司的各种培训。并且被指定的员工有义务参加培训，并达到培训要求的效果。培训结束后，员工有义务把所学知识和技能运用到日常业务中。自我培训只能使用私人时间，如情况特殊，需要报请上级批准。员工培训后合同须更改，具体情况具体分析。
4．区分培训类型：技能培训，知识培训
采用培训方式：包括内部培训，外派培训，和自我培训。
其中内部培训分职前教育，，岗位技能培训，员工态度培训。
公司培训方法可采取：
课堂培训：方法包括报告，演示，讨论，角色扮演，情境模拟，游戏法；
学员自定义进度：根据练习手册自我练习，接受培训师的指导和教练，通过录音带，录像带，电脑等多种手段进行自我学习。
媒体推动内容：（适用分散在各地的员工）电话会议学习，基于互联网的网络教育学习。5．培训的需求分析和培训计划的指定
具体实施计划应该包括：
培训方法，进程的确定；
参加培训人员名单；
培训教材，器材的确定；
培训时间地点的确定；
培训组织者，培训师的确定；
各项费用开支的使用计划
6． 培训的实施和反馈
1> 人力资源部负责培训的实施过程，培训主管负责具体实施；
2> 培训实施过程原则按照计划进行，如需调整，调整人/部门向人力资源 部门提出申
请，上报总经理批准； 3> 明确各项培训费用；
4> 培训期间人力资源部监督员工培训签到，并结束时检查学员签到，以此对学员进行
考核；
5> 培训期间人力资源部负责整个过程资料和数据的收集，整理工作，以此对学员进行
考核；
6> 保存记录好培训资料，作为以后的培训档案。
7． 培训的评估
从反应层，学习层，行为层，结果层进行评估。 反应层主要是通过问卷，学习层主要是通过笔试和绩效考试，行为层是由上级，同事，客户，下级进行绩效考核。结果层是通过最后的具体指标来考核培训的最终结果，比如事故率，质量优良率。
实施PeopleSoft HRMS
首要条件及设置：
1.确保安装相关模块，包括人力资源，电子绩效，电子发展等。
2．设定好培训工作流程（Workflow），以确保需要触发一个培训需求事件的时候有相应的通知发给有关负责人。例如人力资源经理要计划出一个特殊部门技能培训，输入培训需求，人员要求，设定好的工作流程，会自动产生培训通知(Notifications)给相关部门经理。
3．设定好系统安全性，确保各种用户，角色，行为许可能正常正确运作。
4．在确定中层管理人员以及员工发展培训计划以前，应先通过电子发展，职业生涯计划（Carrer and Succession Planning）模块，了解员工的职业发展愿望以及他们的需求。
接下来用软件实施来完成整个培训流程：
1．人力资源管理人员登陆系统，使用培训管理模块（Administer Training ），管理过程段（Administer Course Sessions）功能和维护过程（Course Session Maintentance）功能产生岗前培训需求，包括培训内容，培训人员，培训要求。并计算培训费用预算，通过预算后使用工作流程产生通知发给相关部门经理。由经理批准并返回给人事人员，由人事人员按照培训需求展开统一或分批培训活动，视人数情况而定；
2．新员工上岗之后，人力资源管理人员登陆系统，先通过能力管理模块（Manage Competencies）追踪各项职位所需技能以及员工所欠缺的，获得培训需求信息，然后使用培训管理模块（Administer Training ），管理过程段（Administer Course Sessions）功能和维护过程（Course Session Maintentance）功能发出职位技能培训需求，包括培训人员，培训师，培训要求，并计算培训费用预算。然后使用工作流程产生通知发给部门经理，经理批准后，由培训师开展各部门的培训活动。
3．针对员工其他兴趣和发展的培训，由人力资源管理人员登陆系统，通过使用培训管理模块（Administer Training ），管理过程段（Administer Course Sessions）功能和维护过程（Course Session Maintentance）功能，发出培训课程内容，计算培训费用，通过工作流程产生通知发给部门经理，经理批准后，在不耽误工作的情况下，保持公平公开原则，内部讨论选择出自愿参加培训的人员，进行培训。员工也可以通过电子发展模块（eDevelopment），来设定并加入自己有兴趣的培训。
4．企业中层管理干部是企业重要的组成部分，保持这个级别员工的稳定性是企业发展的根本。针对他们的需求展开培训活动，是保持稳定性，留住人才的重要方法。
人力资源管理人员应该先把这些中层管理人员的详细信息通过管理员工模块（Administer Workforce）全部输入到系统里面去，可以先了解他们的发展意向，引导他们向更好的方面发展。然后通过培训管理模块(Training Administration)，发出培训课程内容，计算培训费用。中层管理人员可以通过电子发展模块，查询公布的培训内容，参与培训。
5.培训费用由人力资源管理人员通过培训预算模块（Budget Training）, 产生培训预算时间
段（Budget Period），然后通过部门需求（Department Demand），雇员需求（Employee Demand）或者基本需求（General Demand）来确定大概的培训预算费用。最后就可以实施培训计划了。
6.另外，很多员工共同需要的培训通过部门需求（Department Demand）提出。
特定的培训通过雇员要求（Employee Demand）提出。
人力资源管理人员可以通过设定课程等待列表（Course Waiting List）来确定培训课程的优先级别。
如果觉得培训课程时间安排不合理或者出现冲突，人员安排设置不合理，通过快速修订功能（Express Rescheduling）来更改时间或者人员安排。
企业可以让员工去学校培训，例如让中高层管理人员读MBA。此时使用学习培训（Students Training）功能来为员工设定学校培训计划。
同时，可以使用学费退还功能（Tuition Reimbursement）来负担学校培训的部分或全部费用
通过追踪培训成本功能（Tracking Student Costs）来追踪整个培训的费用，包括培训期间薪酬，培训师开支，器材开支等等。
通过预算成本功能（Budget Cost）来比较预算成本和实际成本，从而为了下一次预算做好准备。
通过汇总成本（Summary Cost）和非预算成本（Unbudget Cost）来查看整体成本和非预算成本信息。以上功能都在培训管理模块(Training Administration)中。
关于培训的考核，将在下文考核讲到。至此，完成整个培训过程。
附：
所涉及到的PeopleSoft HRMS模块组件包括：
培训管理(Training Administration)；
职业生涯计划（Carrer and Succession Planning）；
培训预算(Budget Training)；
能力管理（Manage Competencies）；
电子发展（eDevelopment）；
电子绩效（ePerformance）
考核
目前情况：
公司实行的是360度全方位考核体系。各个岗位，淘汰周期各不相同。
工人采取工时，计件，同级评价考核；
技术人员缺少相应的考核，主要看技术主管的个人主观意见；
中层管理人员采用民主评议，使得老好人受益。
高层人员主要看利润来考核。
分析：
事实上企业并没有完全使用360度全方位考核，感觉只是一个名字而已。而且概念有些混淆。尤其针对高层，考核单一，针对中层的又缺少了来自下层的考核信息。
原有软件无法满足中层的民主评议考核，因此遭到中层管理抵制。对基础员工进行同级考核时，因为同级基层员工缺少相关软件技能，也无法用软件实施考核。因此人事经理认为，没有必要使用软件来完成考核过程。
改进：
1．员工考核目的。把握员工工作执行和适应情况，确定人才开发的方针及教育培训方向，合理配置人员，明确员工工作的导向。
2．考评用途。合理调整配置人员，职务升降，提薪奖励，培训开发职业生涯计划。
3．考评原则。以绩效为导向，多角度全方位考核。
4．考评对象。全体员工。
月度考评：针对生产人员；
季度考评：针对事务，营销，研发，中层管理人员。
年度考评：所有员工。
5．设计考评方法，对象主体
6．设计考评纬度，考评权重。这里应该针对各个不同阶层员工进行详细的分析，考核评分标准，见下图。
实施PeopleSoft HRMS
首要条件及设置：
1．确保安装相关模块，包括人力资源管理能力，人力资源薪资计划等。
2．设置基础任务，包括定义平等模型，定义能力，新建员工考核文档模板。此处定义是严格按照考评纬度，考评权重。此处人力资源管理人员来确定这些任务。
3．创建员工考核文档，基础文档模板包括了一般信息，能力，目标，整体评等，可根据具体情况生成适合企业需要的考核文档。并可生成适合企业的阶段性考核文档，包括季度考核，月考核，年考核，项目考核（培训，技术攻关）。这些文档由经理创建，可为直接报告人创建，也可以安组创建（针对数量大，共性多的员工）。
4．设定好考核工作流程（Workflow），以确保需要触发考核事件的时候有相应的通知发给有关负责人。例如经理利用电子考核产生考核评价自动产生通知(Notifications)给相应的考评委员会。
5．设定好系统安全性，确保各种用户，角色，行为许可能正常正确运作。
接下来软件实施于完善了的考评体系：
1．对于基层员工考评，经理通过电子发展模块（eDevelopment），使用月考核文档，更新和检查员工考核关联的目标和能力，然后把考核传送给人力资源管理人员。人力资源管理人员通过能力管理模块（Manage Competencies）输入系统，存档。
2．对于技术人员考评，部门经理通过电子发展模块（eDevelopment），使用季度考核文档，更新和检查员工考核关联的目标和能力，然后将考核文档传送给上级经理，并由工作流程产生通知给人力资源管理部门相关人员。同时，同级人员采取同样操作，将结果反馈给人力资源管理部门。人力资源管理人员通过能力管理模块（Manage Competencies）输入系统，存档。
并且针对技术人员，在项目结束时，由部门经理通过电子发展模块（eDevelopment），使用项目考核文档，更新和检查员工考核关联的目标和能力，再将考核文档传送给上级经理，并由工作流程产生通知给人力资源管理部门相关人员。人力资源管理人员通过能力管理模块（Manage Competencies）输入系统，存档。
3．对于中（高）层管理人员考评，上级，平级，下级，均使用季度考核文档，更新和检查员工考核关联的目标和能力，并由工作流程产生通知给人力资源管理部门，人力资源管理人员通过多方面的考核结果，通过能力管理模块（Manage Competencies）输入系统，存档。
4．员工通过电子发展模块（eDevelopment），使用自我考核文档（自我考核文档是来自针对不同员工考核文档的精确复制）进行自我考核，不同级别员工可以使用不同阶段性文档，例如技术人员使用季度考核文档。同时文档将会传送给上级，上级以此作为考核的一个
标准而对最终的考核起到参考作用。
5．所有员工在年底通过电子发展（eDevolepment），使用年考核文档，进行考核。总经理由董事会、副总经理及人力资源、财务、营销部经理进行考核。其他员工参照以上标准。
所有结果将反馈给人力资源管理人员。
6．在人力资源管理人员得到考核结果以后，计算员工绩效平等功能，计算方法根据实际情况而定，必须参照设定的考评纬度以及考评权重，做到公正，公平。
7．在通过计算得到最终评分以后，针对不同阶段考核实施不同的结果，通过职业生涯计划模块（Career and Succession Planning），能力管理（Manage Competencies）与薪酬，培训等关联。例如在季度考核之后，按照考核结果调动薪资，提供培训，了解员工发展绩效。员工也可以通过电子绩效模块（ePerformance）来查看自己或者下级员工各项考核的完成情况，以及与薪酬，培训的关联情况。
8．另外，针对培训效果的考核，使用预习建立的培训项目考核文档，更新和检查员工考核关联的目标和能力，例如公司制度掌握程度，特殊技能掌握程度等等。然后将考核结果传给人力资源管理人员，人力资源管理人员通过培训考核结果，使用能力管理模块（Manage Competencies）输入系统，存档，并作为调动薪资，提升或转换职位的依据。
至此，完成考核过程。
附：
所涉及到的PeopleSoft HRMS模块组件包括：
能力管理（Manage Competencies）
职业生涯计划（Career and Succession Planning）
电子发展（eDevelopment）
电子绩效（ePerformance）
薪酬
目前情况：
半手工，手工在办公室做好，转到银行。每月会有部门的工资单给经理核对，签字后才转银行。
车间工资每天公布，计件，普通员工是基本月薪，奖金年底发，保密
除计件以外，无激励体制，奖金按企业当年效益发。
相对于外部，企业薪酬还是具有较高的竞争力。但在内部，没有体现出激励和公平。
分析：
车间每天采用工资计件，变化太快，原有软件无法适应需要，因此遭到人事管理人员抵制；
管理人员，技术人员工资是基本月薪加年底奖金，无激励，所以人事管理人员认为原有软件功能起不到相应作用，用手工就可以完成任务。
由于软件的功能或者是根本没使用软件，工资计算及监督复核情况基本失去监控管理，可有挖掘深层需求的潜在。所有薪资如以软件完成，将会极大提高效率，提高数据可靠性。
改进：
1．本处所指的薪酬，是指定期发放的工资、福利、年终奖金。实行岗位技能工资制度，分工龄工资，学历工资，岗位工资。适用于公司所有正式员工。
2．高层管理人员工资，总经理实行年薪制，总额由董事会确定
3．中层管理人员工资，实行的是岗位工资加上季度考核的结果，季度浮动工资在完成季度考核后按月平均兑现。
4．一般管理人员工资，实行的是岗位工资加上季度考核的结果，季度浮动工资在完成季度考核后按月平均兑现。
5．营销人员工资，根据公司内部评定的营销人员资格等级来确定，并加上季度考核，季度浮动工资在完成季度考核后按月平均兑现。并实行年终奖励，年终奖励和最终年销售总额挂钩。
6．技术人员工资，根据公司内部评定的技术人员资格等级来确定，并加上季度考核，季度浮动工资在完成季度考核后按月平均兑现。
7．生产人员工资，实行浮动工资，即为工时工资，以超过基本工时的工时奖金制度执行，按月发放。加上月考核，考核完后浮动工资按月兑现。
8．除了总经理和营销人员，其他员工实行年底奖金制度，奖金计算依靠当年公司利润，岗位工资，以及年度考核系数。
9．针对技术人员实行科研奖励制度。
10. 完善福利体系，包括社会福利（住房公积金，医疗，养老，失业，工伤，生育，工会会费），和公司福利（节日福利，餐费补助，交通补助等）。
实施PeopleSoft HRMS
首要条件及设置：
1. 确保安装相关模块，包括人力资源管理能力，福利管理，薪资接口，电子薪酬，电子薪
酬管理员，电子福利，电子绩效。
2. 由于公司已经使用了单独的财务系统（非PeopleSoft Payroll），所以人力资源管理人员将会把基本工资，福利等等信息先通过薪资接口（Payroll Interface）导出，然后由第三方财务系统导入。
3. 设置好薪酬工作流程（Workflow），以确保需要触发薪酬事件的时候有相应的通知发给有关负责人。例如人力资源管理人员利用电子薪酬产生薪酬变更，会自动产生通知(Notifications)给相应的员工。
4. 定好系统安全性，确保各种用户，角色，行为许可能正常正确运作。
接下来软件实施于完善了的薪酬计划：
1．人力资源管理人员通过员工管理模块（Administer Workforce）的当前工作更新功能（Current Job Update）输入员工的工资，税收，福利，奖金。此处更新的依据严格按照设定好的薪酬制度。高层管理人员实行的是年薪制，按年更新；其他人员实行的是月薪制，按月更新。人力资源管理人员还可以通过员工管理模块（Administer Workforce）的工资等级改变功能（Pay Rate Changes）来更改薪酬信息。
2．人力资源管理人员通过薪资接口（Payroll Interface）将更新好的信息（个人信息，工资，福利，税收）导入到第三方财务软件中，由财务管理人员实施薪金发放的过程。
3．经理可以通过电子薪资管理员模块（eCompensation Manager Desktop），更改员工的薪资信息，可以使用批量更改方式，并由相应的工作流程产生通知给上级和人力资源管理人员。
4．员工可以通过电子薪资（eCompensation）或者电子支付（ePay），随时查看个人的薪资组成信息。
5．另外，员工可以通过电子支付（ePay）的自由扣除（Voluntary Deductions）来自动扣除薪资，用于自己定义的用途，如支付购买公司商品等等。也可以使用电子报表的纳税年请求（W-2 Reissure Request）查看自己纳税年的纳税信息。并可以使用直接存款（Direct Deposit）来确定每个月薪资是否直接存入银行，或者需要现金提取。
员工可以通过电子福利（eBenefit）随时查看自己的福利信息。
至此，完成所有薪酬计划过程。
附：
所涉及到的PeopleSoft HRMS模块组件包括：
员工管理（Administer Workforce）；
薪资接口（Payroll Interface）；
电子支付（ePay）
电子薪资（eCompensation）；
电子薪资管理员（eCompensation Manager Desktop）；
职位管理
职位管理将会以职务说明书为基础信息，职务说明书是整个人力资源管理基础性工作－工作分析的结果。招聘，培训，考核，薪酬制度的设计都是以此为基础的。
职务说明书本的内容应包括：本职信息（岗位名称，部门，员工代号等），职责与工作任务，权力，工作协作关系，任职资格，考核指标，备注以及其他一些信息，例如工作环境，需要使用工具，工作时间特性。
接下来讲到如何使用PeopleSoft HRMS完成职位管理。
实施PeopleSoft HRMS
前提：按照职位管理（完全或者部分）来构造人力资源系统。
我们将使用管理职位功能（Manage Positions）来完成职位的管理工作。
1．输入部门预算（Department Budget。此处预算的信息主要是部门所需要的人数和整个部门的薪酬。
2．职位建立（Positions －Creating），通过这个功能，将把职务说明书中定义的所有信息输入到系统中。
3．职位更新（Positions －Updating），通过这个功能，将员工与各个职位关联起来，这样按照部门预算的需求，就知道哪些职位会出现空缺。
接着可以建立职务申请（Job Requisitions），职务申请是基于职位的空缺和公司部门的预算，建立好以后，将用于招聘流程。，
附：完全职位管理，无职位管理，部分职位管理。
在构建人力资源系统时，可以按照员工驱动（无职位管理），职位驱动（完全职位管理），或者兼而有之（部分职位管理）。
按员工构建人力资源系统时，使用职务代码将职务以组为单位分成各种类别，这样职务代码与员工有一对多的关系。许多员工共享一个职务代码，即便在不同部门、地点工作。通过在员工记录中输入的数据确定员工所担当的职务。这种方法适用于流动性较大的大型集团，习惯于查看员工情况并经常创建新职务。如果组织规模要不断的扩大，或经常创建新职务或职务类型，这种方法将会非常适合。
使用职位跟踪特定部门或地点中特定职务的详细信息，这些职位与员工通常是一对一（也存在一对多）的关系。按职位构建系统时，将数据附加到职位中，然后将员工加入到职位中或将将员工从职位中移走。使用每个职位特定的数据作为编制组织计划，招聘，职业计划和预算的基础。这种方法适用于组织很少发生变动（职务大多数是固定的，只是不断有人任职或者离职）。针对政府机构，医院等非常适用。
如果上述方法在组织的不同范围都很适用，则可以选择按职位对某些部门进行构建，按员工对其他部门进行构建。此时使用的就是“部分职位管理”
3.1.2 虚拟变量的应用 例3.1.2.1：为研究美国住房面积的需求，选用3120户家庭为建模样本，回归模型为： 123log log P Y βββ++logQ= 其中：Q ——3120个样本家庭的年住房面积（平方英尺） 横截面数据 P ——家庭所在地的住房单位价格 Y ——家庭收入 经计算：0.247log 0.96log P Y -+logy=4.17 2 0.371R = （）（） （） 上式中2β=0.247-的价格弹性系数，3β=0.96的收入弹性系数，均符合经济学的常识，即价格上升，住房需求下降，收入上升，住房需求也上升。 但白人家庭与黑人家庭对住房的需求量是不一样的，引进虚拟变量D ： 01i D ?=?? 黑人家庭 白人家庭或其他家庭 模型为：112233log log log log D P D P Y D Y βαβαβα+++++logQ= 例3.1.2.2：某省农业生产资料购买力和农民货币收入数据如下：（单位：十亿元） ①根据上述数据建立一元线性回归方程：
? 1.01610.09357y x =+ 20.8821R = 0.2531y S = 67.3266F = ②带虚拟变量的回归模型，因1979年中国农村政策发生重大变化，引入虚拟变量来反映农村政策的变化。 01i D ?=?? 19791979i i <≥年 年 建立回归方程为： ?0.98550.06920.4945y x D =++ （）（） （） 20.9498R = 0.1751y S = 75.6895F = 虽然上述两个模型都可通过显着性水平检验，但可明显看出带虚拟变量的回归模型其方差解释系数更高，回归的估计误差（y S ）更小，说明模型的拟合程度更高，代表性更好。 3.5.4 岭回归的举例说明 企业为用户提供的服务多种多样，那么在这些服务中哪些因素更为重要，各因素之间的重要性差异到底有多大，这些都是满意度研究需要首先解决的问题。国际上比较流行并被实践所验证，比较科学的方法就是利用回归分析确定客户对不同服务因素的需求程度，具体方法如下： 假设某电信运营商的服务界面包括了A1……Am 共M 个界面，那么各界面对总体服务满意度A 的影响可以通过以A 为因变量，以A1……Am 为自变量的回归分析，得出不同界面服务对总体A 的影响系数，从而确定各服务界面对A 的影响大小。 同样，A1服务界面可能会有A11……A1n 共N 个因素的影响，那么利用上述方法也可以计算出A11……A1n 对A1的不同影响系数，由此确定A1界面中的重要因素。 通过两个层次的分析，我们不仅得出各大服务界面对客户总体满意度影响的大小以及不同服务界面上各因素的影响程度，同时也可综合得出某一界面某一因素对总体满意度的影响大小，由此再结合用户满意度评价、与竞争对手的比较等因素来确定每个界面细分因素在以后工作改进中的轻重缓急、重要性差异等，从而起到事半功倍的作用。 例 3.5.4：对某地移动通信公司的服务满意度研究中，利用回归方法分析各服务界面对总体满意度的影响。 a. 直接进入法 显然，这种方法计算的结果中，C 界面不能通过显着性检验，直接利用分析结果是错误
第5 章自变量选择与逐步回归 思考与练习参考答案 自变量选择对回归参数的估计有何影响？ 答：回归自变量的选择是建立回归模型得一个极为重要的问题。如果模型中丢 掉了重要的自变量, 出现模型的设定偏误，这样模型容易出现异方差或自相关 性，影响回归的效果；如果模型中增加了不必要的自变量, 或者数据质量很差的自变量, 不仅使得建模计算量增大, 自变量之间信息有重叠，而且得到的模型稳定性较差，影响回归模型的应用。 自变量选择对回归预测有何影响？ 答：当全模型（m元）正确采用选模型（p 元）时，我们舍弃了m-p 个自变量，回归系数的最小二乘估计是全模型相应参数的有偏估计，使得用选模型的预测是有偏的，但由于选模型的参数估计、预测残差和预测均方误差具有较小的方差， 所以全模型正确而误用选模型有利有弊。当选模型（p 元）正确采用全模型（m 元）时，全模型回归系数的最小二乘估计是相应参数的有偏估计，使得用模型的预测是有偏的，并且全模型的参数估计、预测残差和预测均方误差的方差都比选 模型的大，所以回归自变量的选择应少而精。 如果所建模型主要用于预测，应该用哪个准则来衡量回归方程的优劣？ 答：如果所建模型主要用于预测，则应使用C p 统计量达到最小的准则来衡量回 归方程的优劣。 试述前进法的思想方法。 答：前进法的基本思想方法是：首先因变量Y对全部的自变量x1,x2,...,xm 建立m个一元线性回归方程, 并计算 F 检验值，选择偏回归平方和显著的变量（F 值最大且大于临界值）进入回归方程。每一步只引入一个变量，同时建立m－1个二元线性回归方程，计算它们的 F 检验值，选择偏回归平方和显著的两变量变 量（F 值最大且大于临界值）进入回归方程。在确定引入的两个自变量以后，再 引入一个变量，建立m－2 个三元线性回归方程，计算它们的 F 检验值，选择偏
4、回归分析方法应用实例 在制定运动员选材标准时，理论上要求先对不同年龄的运动员，各测试一个较大的样本，然后，计算出各年龄的平均数、标准差，再来制定标准。 但是，在实际工作中，有时某些年龄组不能测到较大的样本。这时能不能使用统计的方法，进行处理呢？ 我们遇到一个实例。测得45名11至18岁男田径运动员的立定三级跳远数据。其各年龄组人数分布如表一。由于受到许多客观因素的限制，一时无法再扩大样本，因此决定使用统计方法进行处理。 第一步，首先用原始数据做散点图，并通过添加趋势线，看数据的变化趋势是否符合随年龄增长而变化的趋势，决定能否使用回归方程制定标准。如果趋势线不符合随年龄增长而变化的趋势，或者相关程度很差就不能用了。 本例作出的散点图如图1，图上用一元回归方法添加趋势线，并计算出年龄和立定三级跳远的： 一元回归方程：Y＝2.5836＋0.3392 X 相关系数 r＝0.7945（P<0.01） 由于从趋势线可以看出，立定三级跳远的成绩是随年龄增加而逐渐增加，符合青少年的发育特点。而且, 相关系数r＝0.7945，呈高度相关。因此，可以认为计算出的一元回归方程，反映了11至18岁男运动员年龄和立定三级跳远成绩的线性关系。决定用一元回归方程来制定各年龄组的标准。 第二步，用一元回归方程：Y＝2.5836＋0.3392 X 推算出各年龄的立定三级跳远回归值，作为各年龄组的第2等标准。 第三步，用45人的立定三级跳远数据计算出标准差为：0.8271。由于在正态分布下，如把平均数作为标准约有50%的人可达到标准，用平均数-0.25标准差制定标准则约有60%的人可达到，用平均数+0.25、+0.52、+0.84标准差制定标准约有40%、30%、20%的人可达到标准。本例用各年龄组回归值-0.25标准差、+0.25标准差、+0.52标准差、+0.84标准差计算出1至5等标准如表2、图2。
第8章 非线性回归 思考与练习参考答案 8.1 在非线性回归线性化时，对因变量作变换应注意什么问题？ 答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如： (1) 乘性误差项，模型形式为 e y AK L αβε =， (2) 加性误差项，模型形式为y AK L αβ ε = + 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。 8.2为了研究生产率与废料率之间的关系，记录了如表8.15所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表8.15 生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%） 5.2 6.5 6.8 8.1 10.2 10.3 13.0 解：先画出散点图如下图： 5000.00 4000.003000.002000.001000.00x 12.00 10.00 8.006.00 y
从散点图大致可以判断出x 和y 之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS 输出结果如下： Model Summ ary .981 .962 .942 .651 R R Square Adjusted R Square Std. E rror of the Estimate The independent variable is x. ANOVA 42.571221.28650.160.001 1.6974.424 44.269 6 Regression Residual Total Sum of Squares df Mean Square F Sig.The independent variable is x. Coe fficients -.001.001-.449-.891.4234.47E -007.000 1.417 2.812.0485.843 1.324 4.414.012 x x ** 2 (Constant) B Std. E rror Unstandardized Coefficients Beta Standardized Coefficients t Sig. 从上表可以得到回归方程为：72? 5.8430.087 4.4710y x x -=-+? 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05，得到x 2的系数通过了显著性检验。 （2）指数曲线 Model Summ ary .970 .941 .929 .085 R R Square Adjusted R Square Std. E rror of the Estimate The independent variable is x.
第6章 6.1 试举一个产生多重共线性的经济实例。 答：例如有人建立某地区粮食产量回归模型，以粮食产量为因变量Y，化肥用量为X1，水浇地面积为X2，农业投入资金为X3。由于农业投入资金X3与化肥用量X1，水浇地面积X2有很强的相关性，所以回归方程效果会很差。再例如根据某行业企业数据资料拟合此行业的生产函数时，资本投入、劳动力投入、资金投入与能源供应都与企业的生产规模有关，往往出现高度相关情况，大企业二者都大，小企业都小。 6.2多重共线性对回归参数的估计有何影响？ 答：1、完全共线性下参数估计量不存在； 2、参数估计量经济含义不合理； 3、变量的显著性检验失去意义； 4、模型的预测功能失效。 6.3 具有严重多重共线性的回归方程能不能用来做经济预测？ 答：虽然参数估计值方差的变大容易使区间预测的“区间”变大，使预测失去意义。但如果利用模型去做经济预测，只要保证自变量的相关类型在未来期中一直保持不变，即使回归模型中包含严重多重共线性的变量，也可以得到较好预测结果；否则会对经济预测产生严重的影响。 6.4多重共线性的产生于样本容量的个数n、自变量的个数p有无关系？ 答：有关系，增加样本容量不能消除模型中的多重共线性，但能适当消除多重共线性造成的后果。当自变量的个数p较大时，一般多重共线性容易发生，所以自变量应选择少而精。 6.6对第5章习题9财政收入的数据分析多重共线性，并根据多重共线性剔除变量。将所得结果与逐步回归法所得的选元结果相比较。 5.9 在研究国家财政收入时，我们把财政收入按收入形式分为：各项税收收入、企业收入、债务收入、国家能源交通重点建设收入、基本建设贷款归还收入、国家预算调节基金收入、其他收入等。为了建立国家财政收入回归模型，我们以财政收入y（亿元）为因变量，自变量如下：x1为农业增加值（亿元），x2为工业增加值（亿元），x3为建筑业增加值（亿元），x4为人口数（万人），x5为社
第3章 多元线性回归 思考与练习参考答案 见教材P64-65 讨论样本容量n 与自变量个数p 的关系，它们对模型的参数估计有何影响？ 答：在多元线性回归模型中，样本容量n 与自变量个数p 的关系是：n>>p 。如果n<=p 对模型的参数估计会带来很严重的影响。因为： 1. 在多元线性回归模型中，有p+1个待估参数β，所以样本容量的个数应该大于解释变量的个数，否则参数无法估计。 2. 解释变量X 是确定性变量，要求()1rank p n =+ 一般来说，R2越接近1，即R2取值越大，说明回归拟合的效果越好。但由于R2的大小与样本容量n和自变量个数p有关，当n与p的值接近时，R2容易接近1，说明R2中隐含着一些虚假成分。而当样本容量n较小，自变量个数p较大时，尽管R2很大，但参数估计效果很不稳定。所以该题中不能仅仅因为R2很大而断定回归方程很理想。如何正确理解回归方程显著性检验拒绝H0，接受H0？ 答：一般来说，当接受假设H0时，认为在给定的显著性水平α之下，自变量x1,x2,…,x p对因变量y无显著性影响，则通过x1,x2,…,x p 去推断y就无多大意义。此时，一方面可能该问题本应该用非线性模型描述，我们误用线性模型描述了，使得自变量对因变量无显著影响；另一方面可能是在考虑自变量时，由于认识上的局限性把一些影响因变量y的自变量漏掉了，这就从两个方面提醒我们去重新考虑建模问题。 当拒绝H0时，也不能过于相信该检验，认为该模型已经很完美。其实当拒绝H时，我们只能认为该回归模型在一定程度上说明了自变量x1,x2,…,x p与因变量y的线性关系。因为这时仍不能排除我们漏掉了一些重要自变量。此检验只能用于辅助性的，事后验证性的目的。（详细内容可参考课本P95～P96评注。） 数据中心化和标准化在回归分析中的意义是什么？ 答：原始数据由于自变量的单位往往不同，会给分析带来一定的困难；又由于设计的数据量较大，可能会以为舍入误差而使得计算结果并不理想。中心化和标准化回归系数有利于消除由于量纲不同、数量级不 SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示： 点击“分析”——回归——线性——进入如下图所示的界面： 将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除） 应用回归分析课后答案 第二章一元线性回归 解答：EXCEL结果: SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值5 方差分析 df SS MS F Significance F 回归分析125 残差3 总计410 Coefficients标准误差t Stat P-value Lower 95%Upper 95%下限%上限% Intercept X Variable 15 RESIDUAL OUTPUT 观测值预测Y残差 1 2 3 4 5 SPSS结果：（1）散点图为： （2）x 与y 之间大致呈线性关系。 （3）设回归方程为01y x ββ∧ ∧ ∧ =+ 1β∧ = 12 2 1 7()n i i i n i i x y n x y x n x -- =- =-=-∑∑ 0120731y x ββ-∧- =-=-?=- 17y x ∧ ∴=-+可得回归方程为 （4）22 n i=1 1()n-2i i y y σ∧∧=-∑ 2 n 01i=1 1(())n-2i y x ββ∧∧=-+∑ =222 22 13???+?+???+?+??? （10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1 169049363 110/3= ++++= 1 330 6.13 σ∧=≈ （5）由于2 11(, )xx N L σββ∧ : t σ ∧ == 服从自由度为n-2的t分布。因而 /2 |(2)1 P t n α α σ ?? ?? <-=- ?? ?? 也即： 1/211/2 (p t t αα βββ ∧∧ ∧∧ -<<+=1α - 可得 1 95% β∧的置信度为的置信区间为（7-2.3537+2.353即为：（，） 2 2 00 1() (,()) xx x N n L ββσ - ∧ + : t ∧∧ == 服从自由度为n-2的t分布。因而 /2 (2)1 P t n α α ∧ ?? ?? ?? <-=- ?? ?? ?? ?? ?? 即 0/200/2 ()1 pβσββσα ∧∧∧∧ -<<+=- 可得 1 95%7.77,5.77 β∧- 的置信度为的置信区间为（） （6）x与y的决定系数 2 21 2 1 () 490/6000.817 () n i i n i i y y r y y ∧- = - = - ==≈ - ∑ ∑ （7） 《大数据分析方法与应用》课程教学大纲 课程代码：090542008 课程英文名称：Big Data Analysis: Methods and Applications 课程总学时：40 讲课：40 实验：0 上机：0 适用专业：应用统计学 大纲编写（修订）时间：2017.6 一、大纲使用说明 （一）课程的地位及教学目标 本课程是应用统计学专业的一门专业课，通过本课程的学习，可以使学生学会选用适当的方法和技术分析数据，领会大数据分析方法和应用，掌握复杂数据的分析与建模，使学生能够按照实证研究的规范和数据挖掘的步骤进行大数据研发，为就业与继续深造打下必要而有用的基础。 （二）知识、能力及技能方面的基本要求 1.基本知识：掌握数据挖掘流程、随机森林树的回归算法、基于预测强度的聚类方法、朴素贝叶斯分类、高维回归及变量选择、图模型等。 2.基本能力：要求能在真实案例中应用相应的方法。 3.基本技能：掌握复杂数据的分析与建模。 （三）实施说明 1. 本大纲主要依据应用统计学专业2017版教学计划、应用统计学专业专业建设和特色发展规划和沈阳理工大学编写本科教学大纲的有关规定并根据我校实际情况进行编写的。 2. 课程学时总体分配表中的章节序号在授课过程中可酌情调整顺序，课时分配仅供参考。打“*”号的章节可删去或选学。 3. 建议本课程采用课堂讲授、讨论相结合的方法开展教学，通过讨论等方式强化重点，通过分散难点，使学生循序渐进的掌握难点。 4．教学手段：建议采用多媒体等现代化手段开展教学。 （四）对先修课的要求 本课程的先修课程：应用多元统计分析。 （五）对习题课、实践环节的要求 通过案例讲解算法，鼓励学生演示分析思路和分析收获，使学生有机会诊断问题，并学会选用适当的方法和技术分析数据。 （六）课程考核方式 1．考核方式：考查 2．考核目标：在考核学生基础知识、基本技能，基本能力的基础上，重点考核学生的分析能力、解决实际问题能力。 3．成绩构成：本课程由平时成绩和结课报告的质量评定优、良、中、及格和不及格。 （七）参考书目: 《大数据分析：方法与应用》，王星编，清华大学出版社，2013. 二、中文摘要 《大数据分析方法与应用》是高等学校应用统计学专业的一门选修的专业课。本课程着重介绍了统计学习、数据挖掘和模式识别等领域的各种大数据分析方法。课程主要内容包括大数据分析概述、数据挖掘流程、随机森林树、基于预测强度的聚类方法、贝叶斯分类和因果学习、高 y1 1 x11 x12 x1p 0 1 3.1 y2 1 x21 x22 x2p 1 + 2 即y=x + yn 1 xn1 xn2 xnp p n 基本假定 (1) 解释变量x1,x2…,xp 是确定性变量，不是随机变量，且要求 rank(X)=p+1 n 注 tr(H) h 1 3.4不能断定这个方程一定很理想，因为样本决定系数与回归方程中 自变量的数目以及样本量n 有关，当样本量个数n 太小，而自变量又较 多，使样本量与自变量的个数接近时， R 2易接近1,其中隐藏一些虚 假成分。 3.5当接受H o 时，认定在给定的显著性水平 下，自变量x1,x2, xp 对因变量y 无显著影响，于是通过x1,x2, xp 去推断y 也就无多大意 义，在这种情况下，一方面可能这个问题本来应该用非线性模型去描 述，而误用了线性模型，使得自变量对因变量无显著影响；另一方面 可能是在考虑自变量时，把影响因变量y 的自变量漏掉了，可以重新 考虑建模问题。 当拒绝H o 时，我们也不能过于相信这个检验，认为这个回归模型 已经完美了，当拒绝H o 时，我们只能认为这个模型在一定程度上说明 了自变量x1,x2, xp 与自变量y 的线性关系，这时仍不能排除排除我 们漏掉了一些重要的自变量。 3.6中心化经验回归方程的常数项为0,回归方程只包含p 个参数估计 值1, 2, p 比一般的经验回归方程减少了一个未知参数，在变量较 SSE (y y)2 e12 e22 1 2 1 E( ) E( - SSE* - n p 1 n p n 2 [D(e) (E(e ))2 ] 1 n (1 1 n 2 en n E( e 1 1 n p 1 1 n p 1 1 "1 1 n p 1 J (n D(e) 1 (p 1)) 1_ p 1 1 1 n p 1 2 2 n E(e 2 ) (1 h ) 2 1 1、 变量间统计关系和函数关系的区别是什么 答：函数关系是一种确定性的关系，一个变量的变化能完全决定另一个变量的变化；统计关系是非确定的，尽管变量间的关系密切，但是变量不能由另一个或另一些变量唯一确定。 2、 回归分析与相关分析的区别和联系是什么 答：联系：刻画变量间的密切联系； 区别：一、回归分析中，变量y 称为因变量，处在被解释的地位，而在相关分析中，变量y 与x 处于平等地位；二、相关分析中y 与x 都是随机变量，而回归分析中y 是随机的，x 是非随机变量。三、回归分析不仅可以刻画线性关系的密切程度，还可以由回归方程进行预测和控制。 3、 回归模型中随机误差项ε的意义是什么主要包括哪些因素 答：随机误差项ε的引入，才能将变量间的关系描述为一个随机方程。主要包括：时间、费用、数据质量等的制约；数据采集过程中变量观测值的观测误差；理论模型设定的误差；其他随机误差。 4、 线性回归模型的基本假设是什么 答：1、解释变量非随机；2、样本量个数要多于解释变量(自变量)个数；3、高斯-马尔科夫条件；4、随机误差项相互独立，同分布于2(0,)N σ。 5、 回归变量设置的理论根据在设置回归变量时应注意哪些问题 答：因变量与自变量之间的因果关系。需注意问题：一、对所研究的问题背景要有足够了解；二、解释变量之间要求不相关；三、若某个重要的变量在实际中没有相应的统计数据，应考虑用相近的变量代替，或者由其他几个指标复合成一个新的指标；四、解释变量并非越多越好。 6、 收集、整理数据包括哪些内容 答：一、收集数据的类型（时间序列、截面数据）；二、数据应注意可比性和数据统计口径问题（统计范围）；三、整理数据时要注意出现“序列相关”和“异 昆明理工大学 空间数据库期末考察报告《简析大数据及其处理分析流程》 学院：国土资源工程学院 班级：测绘121 姓名：王易豪 学号：201210102179 任课教师：李刚 简析大数据及其处理分析流程 【摘要】大数据的规模和复杂度的增长超出了计算机软硬件能力增长的摩尔定律，对现有的IT架构以及计算能力带来了极大挑战，也为人们深度挖掘和充分利用大数据的大价值带来了巨大机遇。本文从大数据的概念特征、处理分析流程、大数据时代面临的挑战三个方面进行详细阐述，分析了大数据的产生背景，简述了大数据的基本概念。 【关键词】大数据；数据处理技术；数据分析 引言 大数据时代已经到来，而且数据量的增长趋势明显。据统计仅在2011 年，全球数据增量就达到了1.8ZB （即1.8 万亿GB）[1]，相当于全世界每个人产生200GB 以上的数据，这些数据每天还在不断地产生。 而在中国，2013年中国产生的数据总量超过0.8ZB（相当于8亿TB），是2012年所产生的数据总量的2倍，相当于2009年全球的数据总量[2]。2014年中国所产生的数据则相当于2012 年产生数据总量的10倍，即超过8ZB，而全球产生的数据总量将超40ZB。数据量的爆发式增长督促我们快速迈入大数据时代。 全球知名的咨询公司麦肯锡(McKinsey)2011年6月份发布了一份关于大数据的详尽报告“Bigdata：The next frontier for innovation，competition，and productivity”[3]，对大数据的影响、关键技术和应用领域等都进行了详尽的分析。进入2012年以来，大数据的关注度与日俱增。 第一章：统计案例 回归分析的基本思想及其初步应用实例 为172cm的女大学生的体重. 解：由于问题中要求根据身高预报体重，因此选自变量x，为因变量. (1)做散点图: 从散点图可以看出和有比较好的 相关关系. (2) = = 所以 于是得到回归直线的方程为 (3)身高为172cm的女大学生,由回归方程可以预报其体重为 新知：用相关系数r可衡量两个变量之间关系.计算公式为 r = r>0, 相关, r<0 相关; 相关系数的绝对值越接近于1，两个变量的线性相关关系，它们的散点图越接近； ，两个变量有关系. x y 8 1 i i i x y = = ∑ 8 2 1 i i x = = ∑ 8 1 82 2 1 8 8 i i i i i x y x y b x x = = - == - ∑ ∑ a y bx =-≈ y= r> 例1某班5名学生的数学和物理成绩如下表: (2) 求物理成绩y 对数学成绩x 的回归直线方程; (3) 该班某学生数学成绩为96,试预测其物理成绩; 练习1：下表提供了某厂节能降耗技术改造后生产甲产品过程中记录的产量(吨)与相应的生产能耗 (吨标准煤)的几组对照数据 (1)请画出上表数据的散点图； (2)请根据上表提供的数据，用最小二乘法求出关于的线性回归方程； (3)已知该厂技改前100吨甲产品的生产能耗为90吨标准煤．试根据(2)求出的线性同归方程，预测生产100吨甲产品的生产能耗比技改前降低多少吨标准煤? (参考数值) x y y x y bx a =+3 2.543546 4.566.5?+?+?+?= 2.1 一元线性回归有哪些基本假定? 答： 假设1、解释变量X 是确定性变量，Y 是随机变量； 假设2、随机误差项ε具有零均值、同方差和不序列相关性： E(εi )=0 i=1,2, …,n Var (εi )=σ2 i=1,2, …,n Cov(εi, εj )=0 i≠j i,j= 1,2, …,n 假设3、随机误差项ε与解释变量X 之间不相关： Cov(X i , εi )=0 i=1,2, …,n 假设4、ε服从零均值、同方差、零协方差的正态分布 εi ~N(0, σ2 ) i=1,2, …,n 2.2 考虑过原点的线性回归模型 Y i =β1X i +εi i=1,2, …,n 误差εi （i=1,2, …,n ）仍满足基本假定。求β1的最小二乘估计 解： 得： 2.3 证明（2.27式），∑e i =0 ，∑e i X i =0 。 证明： 其中： 即： ∑e i =0 ，∑e i X i =0 2.4回归方程E （Y ）=β0+β1X 的参数β0，β1的最小二乘估计与最大似然估计在什么条件下等价?给出证明。 ∑∑+-=-=n i i i n i X Y Y Y Q 1 21021 ))??(()?(ββ211 1 2 )?()?(i n i i n i i i e X Y Y Y Q β∑∑==-=-= 01????i i i i i Y X e Y Y ββ=+=-0 1 00??Q Q β β ??==?? 答：由于εi ~N(0, σ2 ) i=1,2, …,n 所以Y i =β0 + β1X i + εi ~N （β0+β1X i , σ2 ) 最大似然函数： 使得Ln （L ）最大的0 ?β，1?β就是β0，β1的最大似然估计值。 同时发现使得Ln （L ）最大就是使得下式最小， 上式恰好就是最小二乘估计的目标函数相同。值得注意的是：最大似然估计是在εi ~N(0, σ2 )的假设下求得，最小二乘估计则不要求分布假设。 所以在εi ~N(0, σ2 ) 的条件下， 参数β0，β1的最小二乘估计与最大似然估计等价。 2.5 证明0 ?β是β0的无偏估计。 证明：)1[)?()?(111 0∑∑==--=-=n i i xx i n i i Y L X X X Y n E X Y E E ββ )] )(1 ([])1([1011i i xx i n i i xx i n i X L X X X n E Y L X X X n E εββ++--=--=∑∑== 1010)()1 (])1([βεβεβ=--+=--+=∑∑==i xx i n i i xx i n i E L X X X n L X X X n E 2.6 证明 证明： )] ()1([])1([)?(102110i i xx i n i i xx i n i X Var L X X X n Y L X X X n Var Var εβββ++--=--=∑∑== 2 2221 2]1[])(2)1[(σσxx xx i xx i n i L X n L X X X nL X X X n +=-+--=∑= 2.7 证明平方和分解公式：SST=SSE+SSR ∑∑+-=-=n i i i n i X Y Y Y Q 1 2102 1 ))??(()?(ββ() ) 1()1()?(2 2 2 1 2 2 xx n i i L X n X X X n Var +=-+=∑=σσβ 第７期 ２４ ２０１４年４月１０日 计算机教育 ＣｏｍｐｕｔｅｒＥｄｕｃａｔｉｏｎ ◆新视点 文章编号：１６７２．５９１３（２０１４）０７—００２４－０６ 中图分类号：Ｇ６４２ 大数据分析及其在医疗领域中的应用 邹北骥 （中南大学信息科学与工程学院，湖南长沙４１００８３） 摘要：互联网和物联网技术的快速发展给数据的上传与下载带来了前所未有的便利，使得互联网上 的数据量急剧增长，由此产生了针对大数据的存储、计算、分析、处理等新问题，尤其是对大数据的挖掘。文章分析当前大数据产生的背景，阐述大数据的基本特征及其应用，结合医疗领域，论述医疗 大数据分析的目的、意义和主要方法。 关键词：大数据；物联网；医疗；大数据挖掘 １ 大数据早已存在，为何现在称之为大 数据时代 计算与数据是一对孪生姐妹，计算需要数据，数据通过计算产生新的价值。数据是客观事 物的定量表达，来自于客观世界并早已存在。例 如，半个世纪前，全球的人口数量就有数十亿，与之相关的数据就是大数据；但是在那个时代，由于技术的局限性，大数据的采集、存储和处理 还难以实现。 互联网时代之前，采集世界各地的数据并让它们快速地进入计算系统几乎是一件不可想象的 事情。２０世纪８０年代兴起的互联网技术在近３０ 年里发生了翻天覆地的变化，彻底地改变了人们的工作和生活方式【ｌ】。通过互联网人们不仅可以下载到新闻、小说、论文等各类文字数据，而且可以轻而易举地下载到音乐、图像和视频等多媒体数据，这使得互联网上的数据流量急剧增长。据统计，现在互联网上每分钟流人流出的数 据量达到１ ０００ ＰＢ，即１０亿 ＧＢｔ２１。 推动大数据产生的另一个重要因素是物联网技术。近几年发展起来的物联网技 术通过给每个物品贴上标签 并应用ＲＦＩＤ等技术实现了 多元回归分析法的介绍及具体应用 在数量分析中，经常会看到变量与变量之间存在着一定的联系。要了解变量之间如何发生相互影响的，就需要利用相关分析和回归分析。回归分析的主要类型：一元线性回归分析、多元线性回归分析、非线性回归分析、曲线估计、时间序列的曲线估计、含虚拟自变量的回归分析以及逻辑回归分析等。这里主要讲的是多元线性回归分析法。 1. 多元线性回归的定义 说到多元线性回归分析前，首先介绍下医院回归线性分析，一元线性回归分析是在排除其他影响因素或假定其他影响因素确定的条件下，分析某一个因素（自变量）是如何影响另一事物（因变量）的过程，所进行的分析是比较理想化的。其实，在现实社会生活中，任何一个事物（因变量）总是受到其他多种事物（多个自变量）的影响。 一元线性回归分析讨论的回归问题只涉及了一个自变量，但在实际问题中，影响因变量的因素往往有多个。例如，商品的需求除了受自身价格的影响外，还要受到消费者收入、其他商品的价格、消费者偏好等因素的影响；影响水果产量的外界因素有平均气温、平均日照时数、平均湿度等。 因此，在许多场合，仅仅考虑单个变量是不够的，还需要就一个因变量与多个自变量的联系来进行考察，才能获得比较满意的结果。这就产生了测定多因素之间相关关系的问题。 研究在线性相关条件下，两个或两个以上自变量对一个因变量的数量变化关系，称为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。 多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上更为复杂，一般需借助计算机来完成。 2. 多元回归线性分析的运用 具体地说，多元线性回归分析主要解决以下几方面的问题。 （1）、确定几个特定的变量之间是否存在相关关系，如果存在的话，找出它 影响成品钢材量的多元回归分析 故当原油产量为16225.86万吨，生铁产量为12044.54万吨，原煤产量为13.87万吨以及发电量为12334.89亿千瓦时时，成品钢材量预测值为10727.33875万吨；当原油产量为17453万吨，生铁产量为12445.96万吨，原煤产量为14.54万吨以及发电量为13457亿千瓦时时，成品钢材量预测值为10727.33875万吨。 钢材的需求量设为y，作为被解释变量，而原油产量、生铁产量x1、原煤产量、发电量作为解释变量，通过建立这些经济变量的xxx432线性模型来研究影响成品钢材需求量的原因。能源转换技术等因素。在此，收集的数据选择与其相关的四个因素：原油产量、生铁产量、原煤产量、发电量，1980—1997的有关数据如下表。理论上成品钢材的需求量的影响因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、 原始数据（中国统计年鉴） 将中国成品 一、模型的设定 设因变量y与自变量、、、的一般线性回归模型为: xxxx4321y = + ???????x?xxx??421330241是随机变量，通常满足；Var()= 2????0?()?二参数估计 再用spss做回归线性，根据系数表得出回归方程为： 1x0?180..?45x1?.0?201y?7.87x04.5x783894123再做回归预测，得出如下截图： 故当原油产量为16225.86万吨，生铁产量为12044.54万吨，原煤产量为13.87万吨以及发电量为12334.89亿千瓦时时，成品钢材量预测值为10727.33875万吨；当原油产量为17453万吨，生铁产量为12445.96万吨，原煤产量为14.54万吨以及发电量为13457亿千瓦时时，成品钢材量预测值为10727.33875万吨。 三回归方程检验 应用回归分析第三章习题 3.1 y x =β 基本假定： （1） 诸1234n x ,x x ,x x ……非随机变量，rank （x ）=p+1，X 为满秩矩阵 （2） 误差项()()200i i j E ,i j cov ,,i j ?ε=? ?δ=?εε=??≠?? （3）()2 0i i j ~N ,,?εδ??εε??诸相互独立 3.2 ()10111 ?X X X X |rank(X X )p rank(X )p n p -'β'≠'=+≥+≥+存在，必须使存在。即|则必有故 3.3 ()()()() ()22 11 122 12 22211111111 n n n i i ii i i i n ii i n i i E e D e h n h n p ?E E e n p n p n p =====??==-δ ????? =-δ=--δ ??? ??∴δ ==--δ=δ ? ----??∑∑∑∑∑ 3.4 并不能这样武断地下结论。2 R 与回归方程中的自变量数目以及样本量n 有关，当样本量n 与自变量个数接近时，2 R 易接近1，其中隐含着一些虚假成分。因此，并不能仅凭很大的2 R 就模型的优劣程度。 3.5 首先，对回归方程的显著性进行整体上的检验——F 检验 001230p H :β=β=β=β==β=…… 接受原假设：在显著水平α下，表示随机变量y 与诸x 之间的关系由线性模型表示不合适 拒绝原假设：认为在显著性水平α下，y 与诸x 之间有显著的线性关系 第二，对单个自变量的回归系数进行显著性检验。 00i H :β= 接受原假设：认为i β=0，自变量i x 对y 的线性效果并不显著 3.6 原始数据由于自变量的单位往往不同，会给分析带来一定的困难；又由于设计的数据量较大，可能会以为舍入误差而使得计算结果并不理想。中心化和标准化回归系数有利于消除由于量纲不同、数量级不同带来的影响，避免不必要的误差。 3.7 11 22 011122201122p p p p p p p ?????y x x x ??????y y (x x )(x x )(x x )????y x x )x x )x x )y =β +β+β++β-=β+β-+β-++β--ββ=-+-++-=对最小二乘法求得一般回归方程： ……对方程进行如下运算： …… ……*j j ?+β=……即 3.8 121321233132212312212331 312311232332 13 231313********* 111 r r r r r r r r r r r r r r r r r r r r r ?? ?= ? ????==-?= =-?= =-即证 数据分析方法、数据处理流程实战案例 大数据时代，我们人人都逐渐开始用数据的眼光来看待每一个事情、事物。确实，数据的直观明了传达出来的信息让人一下子就能领略且毫无疑点，不过前提是数据本身的真实性和准确度要有保证。今天就来和大家分享一下关于数据分析方法、数据处理流程的实战案例，让大家对于数据分析师这个岗位的工作内容有更多的理解和认识，让可以趁机了解了解咱们平时看似轻松便捷的数据可视化的背后都是有多专业的流程在支撑着。 一、大数据思维 在2011年、2012年大数据概念火了之后，可以说这几年许多传统企业也好，互联网企业也好，都把自己的业务给大数据靠一靠，并且提的比较多的大数据思维。 那么大数据思维是怎么回事？我们来看两个例子： 案例1：输入法 首先，我们来看一下输入法的例子。 我2001年上大学，那时用的输入法比较多的是智能ABC，还有微软拼音，还有五笔。那时候的输入法比现在来说要慢的很多，许多时候输一个词都要选好几次，去选词还是调整才能把这个字打出来，效率是非常低的。 到了2002年，2003年出了一种新的输出法——紫光拼音，感觉真的很快，键盘没有按下去字就已经跳出来了。但是，后来很快发现紫光拼音输入法也有它的问题，比如当时互联网发展已经比较快了，会经常出现一些新的词汇，这些词汇在它的词库里没有的话，就很难敲出来这个词。 在2006年左右，搜狗输入法出现了。搜狗输入法基于搜狗本身是一个搜索，它积累了一些用户输入的检索词这些数据，用户用输入法时候产生的这些词的信息，将它们进行统计分析，把一些新的词汇逐步添加到词库里去，通过云的方式进行管理。 比如，去年流行一个词叫“然并卵”，这样的一个词如果用传统的方式，因为它是一个重新构造的词，在输入法是没办法通过拼音“ran bing luan”直接把它找出来的。然而，在大数据思维下那就不一样了，换句话说，我们先不知道有这么一个词汇，但是我们发现有许多人在输入了这个词汇，于是，我们可以通过统计发现最近新出现的一个高频词汇，把它加到司库里面并更新给所有人，大家在使用的时候可以直接找到这个词了。 案例2：地图 再来看一个地图的案例，在这种电脑地图、手机地图出现之前，我们都是用纸质的地图。这种地图差不多就是一年要换一版，因为许多地址可能变了，并且在纸质地图上肯定是看不出来，从一个地方到另外一个地方怎么走是最好的？中间是不是堵车？这些都是有需要有经验的各种司机才能判断出来。 在有了百度地图这样的产品就要好很多，比如：它能告诉你这条路当前是不是堵的？或者说能告诉你半个小时之后它是不是堵的？它是不是可以预测路况情况？ 此外，你去一个地方它可以给你规划另一条路线，这些就是因为它采集到许多数据。比如：大家在用百度地图的时候，有GPS地位信息，基于你这个位置的移动信息，就可以知道路的拥堵情况。另外，他可以收集到很多用户使用的情况，可以跟交管局或者其他部门来采集一些其他摄像头、地面的传感器采集的车辆的数量的数据，就可以做这样的判断了。多元线性回归实例分析
应用回归分析课后答案
《大数据分析方法与应用》教学大纲
应用回归分析第三章课后习题整理
第一章课后习题解答(应用回归分析)
简析大数据及其处理分析流程
回归分析的基本思想及其初步应用
应用回归分析 课后答案 浙江万里学院
大数据分析及其在医疗领域中的应用-图文(精)
多元回归分析法的介绍及具体应用
回归分析应用实例讲解
应用回归分析第三版·何晓群-第三章所有习题答案
大数据数据分析方法、数据处理流程实战案例
相关主题
文本预览