人力资源需求预测的应用案例 某课题组一直对一个沿海地区的外贸行业的人力资源需求量进行定性研究。经过长期的定性研究,课题组发现,外贸行业的人力资源需求量的增长与该地区的国内生产总值、外贸商品存储量和消费量的变动有着某种联系,换句话说,该沿海地区的国内

admin2023-01-11  67

问题 人力资源需求预测的应用案例
    某课题组一直对一个沿海地区的外贸行业的人力资源需求量进行定性研究。经过长期的定性研究,课题组发现,外贸行业的人力资源需求量的增长与该地区的国内生产总值、外贸商品存储量和消费量的变动有着某种联系,换句话说,该沿海地区的国内生产总值、商品存储量和消费量对该地区外贸行业的用人需求有一定的影响,但影响的具体的强弱程度还没有定量的估计。外贸商品存储量和消费量发生变化,会导致沿海的外贸单位进行人力资源方面的调整,引起外贸单位增加(或减少)自己的外贸方面的人力资源,这是对该案例进行统计分析的基础。课题组在研究过程中,搜集了一系列相关的指标对应的数据,如表1所示。

    因变量是该地区外贸行业人力资源需求数量(y),自变量是对人力资源数量产生影响的因素,包括:国内生产总值x1、商品储存量x2、商品消费量x3、自变量数量p=3、样本容量为n=11,满足多元回归条件n>p。
    主成分分析方法适用于原始变量(x1、x2、x3)之间相关性较强的情况,如果原始变量的数据之间相关性不强,主成分法将无法进行适当的降维,失去原有的意义。原始变量的相关系数大于0.3时,主成分分析的效果比较明显。所以要对原始变量进行相关性分析。各变量数据如表1所示,用统计软件进行相关性分析,输出结果显示x1和x3之间的相关系数为0.997,x2和x3之间的相关系数为0.036,x1和x2之间的相关系数为0.026,x1和x3之间有很强的相关性,满足使用主成分法的前提条件。
    运用统计软件对表1的数据进行主成分分析,得到了主成分(a、b)与原始变量(x1、x2、x3)的函数关系:
    a=0.999x1+0.062x2+0.999x3;b=0.036x1+0.998x2-0.026x3
    由此数据推导出一组新的数据,如表2所示。

    可以得出由主成分(a、b)作为自变量的方程
    Y=-9.03+0.106a+0.607b
    对得到的方程y=-9.03+0.106a+0.607b进行显著性检验和自相关性检验(由统计软件进行)。显著性检验的目的是检验出模型方程的因变量(人力资源需求量)和自变量(国内生产总值、商品总储存量、商品总消费量)是否有显著的相关关系。
    从输出结果可以看出,由主成分组成的自变量与因变量(人力资源需求量)有显著关系,如果用来进行预测的话准确率比较高。

    从输出结果可以推导出一个变量不同时段的两个样本的数值之间不具有关联性,该模型不具自相关性。
    经过前面的各种检验,模型被验证为是可靠的,我们将使用它来预测该地区的2008、2009、2010年三年的外贸行业人力资源需求情况。使用95%的置信区间来预测2008年、2009年、2010年的人力资源需求的可能范围。我们先要将主成分方程变为原始变量方程的形式:
    y =-9.03+0.106a+0.607b
    =-9.03+0.106a(0.999x1+0.062x2+0.999x3)+0.607*(-0.036x1+0.998x2-0.026x3)
    =-9.03+0.084x1+0.612x2+0.09x3
    由最后得出的表3可以看出,从1997年到2007年这11年来,人力资源需求量的预测值一直围绕当年实际的人力资源需要量(y)上下波动。同时,表3还给出了预测值的上限和下限,1997年到2007年这11年的预测值刚好就在预测值上限和预测值下限之间,表明本文用主成分回归方法得出的模型方程的预测比较准确。2008、2009、2010年这3年的预测值也将在这3年的预测值上下限之间围绕预测值波动。
案例中提到了教材中哪几种统计预测方法?

选项

答案案例中用到了多因素指数法和回归分析法: (1)多因素指数法。多因素指数法利用与产品潜力紧密相关的假设或统计分析变量,间接地测量市场潜力。 (2)回归分析法。回归是利用以上类比方法来改进所得到的估计值的一种统计技术。

解析
转载请注明原文地址:https://kaotiyun.com/show/fG9D777K
0

最新回复(0)