【文章內(nèi)容簡介】 時，表示變量間共同因素愈多，愈適合進行因子分析，根據(jù)學者Kaiser(1974)觀點，非常適合因子分析；，很適合；，適合；，才適宜進行因子分析。針對量表各個項目的得分能否進行因子分析進行相應的檢驗,： KMO 和 Bartlett 的檢驗取樣足夠度的 KaiserMeyerOlkin 度量.840Bartlett 的球形度檢驗近似卡方df6Sig..000 公因子方差初始提取企業(yè)提供的經(jīng)濟性福利.956企業(yè)工時性福利.897企業(yè)設施性福利.871企業(yè)的娛樂及輔助性福利.842提取方法：主成份分析。 解釋的總方差成份初始特征值提取平方和載入合計方差的%累積%合計方差的%累積%123.5844.351提取方法：主成份分析。 成份矩陣a成份12企業(yè)提供的經(jīng)濟性福利.246.946企業(yè)工時性福利.767.094企業(yè)設施性福利.876企業(yè)的娛樂及輔助性福利.800提取方法 :主成分分析法。a. 已提取了 2 個成份。（1） ，是屬于“好”這一級，說明在對“福利滿意度相關(guān)變量的因素分析”是好的，此分析可繼續(xù)操作下去。（2） 球形檢驗sig值=，說明這些數(shù)據(jù)并沒有產(chǎn)生一個單位矩陣，而且接近多元正態(tài)性，適合進行因素分析。（3） ，% 的變異。（4） 在成分矩陣的一欄中可以看到后三個選項解釋成分1，第一個選項解釋成分2?；谝陨?點可以看出，此量表中的因素能夠很好的對目標“福利滿意度相關(guān)變量的因素分析”做出有效的分析，因此量表是很成功的。 數(shù)據(jù)的信度檢驗是指一組度量項目是否在衡量同一概念，是衡量數(shù)據(jù)質(zhì)量的一個重要的指標，反映了測量同一項目的不同問題之間的一致性。在實證研究中，學術(shù)界普遍使用內(nèi)部一致性系數(shù)（Cranach’s ）來檢驗數(shù)據(jù)的可靠性。，計算各個度量與度量項目的內(nèi)部一致性系數(shù)，員工福利滿意度測量的四個測量要素：經(jīng)濟性福利、工時性福利、設施性福利、娛樂及輔助性福利的和總體滿意度的可靠性系數(shù)（Cranach’s ），它們分別為：、0、941。，，表明量表的測量結(jié)果是可靠和可信的。4 公司員工福利調(diào)查數(shù)據(jù)分析 員工屬性與各維度福利項目的相關(guān)性分析對于兩個變量之間的相關(guān)性分析。對雙變量呈正態(tài)分布的數(shù)據(jù)，可用Pearson相關(guān)系數(shù)；對非正態(tài)分布的數(shù)據(jù)，有Spearm按等級相關(guān)系數(shù)和Kendall等級相關(guān)系數(shù)。經(jīng)過正態(tài)分布檢驗，本問卷樣本的各方面屬性均不呈正態(tài)分布，因此采取適合等間隔數(shù)據(jù)的Spearman等級相關(guān)系數(shù)來檢驗各變量間相關(guān)性。 員工屬性與員工對企業(yè)整體福利感受相關(guān)性分析 樣本屬性與員工福利整體感受相關(guān)性分析　卡方檢驗對稱度量樣本屬性　值漸進 Sig. (雙側(cè))按順序Kendall39。s taub值近似值 Sig.性別Pearson 卡方.000.011似然比線性和線性組合婚姻Pearson 卡方.000.000似然比線性和線性組合職位Pearson 卡方.000.023似然比線性和線性組合工齡Pearson 卡方.000.000似然比線性和線性組合學歷Pearson 卡方.000.351.000似然比線性和線性組合月薪Pearson 卡方.000.502.000似然比線性和線性組合在對于員工福利整體感受的相關(guān)性卡方檢驗的分析中可以明顯的看到，性別、婚姻、職位、工齡、學歷、月薪六個樣本屬性的X2值都較大，其中尤以職位與工齡的X2值最大，樣本屬性中的每一項與員工福利整體感受的關(guān)聯(lián)性都比較強。，說明此組數(shù)據(jù)具有顯著性。在對稱度量的分析中，性別、婚姻、職位、工齡四個屬性的K值均為負數(shù)，說明此四個屬性與員工福利感受呈負相關(guān)，學歷與月薪呈正相關(guān)。此時，對稱度量中的六個樣本屬性的sig值均，說明此時的負相關(guān)與正相關(guān)都顯著。 員工屬性與企業(yè)經(jīng)濟性福利相關(guān)性分析 樣本屬性與員工經(jīng)濟性福利相關(guān)性分析　卡方檢驗對稱度量樣本屬性　值漸進 Sig. (雙側(cè))按順序Kendall39。s taub值近似值 Sig.性別Pearson 卡方.000.163.059似然比線性和線性組合婚姻Pearson 卡方.000.000似然比線性和線性組合職位Pearson 卡方.000.000似然比線性和線性組合工齡Pearson 卡方.000.000似然比線性和線性組合學歷Pearson 卡方.000.000似然比線性和線性組合.178月薪Pearson 卡方.000.000似然比線性和線性組合.231在對于員工經(jīng)濟性福利的相關(guān)性卡方檢驗的分析中可以看出，性別、婚姻、職位、工齡、學歷、月薪六個樣本屬性的X2值都較大，其中尤以職位與工齡的X2值最大，說明樣本屬性中的每一項與員工經(jīng)濟性福利的關(guān)聯(lián)性都比較強。，說明此組數(shù)據(jù)具有顯著性。在對稱度量的分析中，婚姻、職位、工齡、學歷、月薪五個屬性的K值均為負數(shù)，說明此五個屬性與員工經(jīng)濟性福利感受呈負相關(guān)，性別呈正相關(guān)。此時，對稱度量中的六個樣本屬性的sig值除性別外均，說明婚姻、職位、工齡、學歷、月薪五個屬性的負相關(guān)都顯著，性別的正相關(guān)不顯著。 員工屬性與企業(yè)工時性福利相關(guān)性分析 樣本屬性與員工工時性福利相關(guān)性分析卡方檢驗對稱度量樣本屬性　值漸進 Sig. (雙側(cè))按順序Kendall39。s taub值近似值 Sig.性別Pearson 卡方.000.039.666似然比線性和線性組合.049婚姻Pearson 卡方.000.328.000似然比線性和線性組合職位Pearson 卡方.000.502.000似然比線性和線性組合工齡Pearson 卡方.000.293.000似然比線性和線性組合學歷Pearson 卡方.000.407.000似然比線性和線性組合月薪Pearson 卡方.000.264.006似然比線性和線性組合在對于員工工時性福利相關(guān)性卡方檢驗的分析中可以明顯的看到，性別、婚姻、職位、工齡、學歷、月薪六個樣本屬性的X2值都較大，其中尤以職位與工齡的X2值最大，樣本屬性中的每一項與員工工時性福利的關(guān)聯(lián)性都較強。，說明此組數(shù)據(jù)具有顯著性。在對稱度量的分析中，性別、婚姻、職位、工齡、學歷、月薪六個屬性的K值均為正數(shù)，說明此六個屬性與員工工時性福利感受正相關(guān)相關(guān)。此時，對稱度量中除性別以外的五個樣本屬性的sig值均，說明此五項的正相關(guān)都顯著，所以性別的正相關(guān)不顯著。 員工屬性與企業(yè)設施性福利相關(guān)性分析 樣本屬性與員工設施性福利相關(guān)性分析　卡方檢驗對稱度量樣本屬性　值漸進 Sig. (雙側(cè))按順序Kendall39。s taub值近似值 Sig.性別Pearson 卡方.000.208.026似然比線性和線性組合婚姻Pearson 卡方.000.441.000似然比線性和線性組合職位Pearson 卡方.000.545.000似然比線性和線性組合工齡Pearson 卡方.000.374.000似然比線性和線性組合學歷Pearson 卡方.000.092.352似然比線性和線性組合.098月薪Pearson 卡方.000.478似然比線性和線性組合在對于員工設施性福利感受的相關(guān)性卡方檢驗的分析中可以看到，性別、婚姻、職位、工齡、學歷、月薪六個樣本屬性的X2值都較大，其中尤以職位與工齡的X2值最大，樣本屬性中的每一項與員工福利整體感受的關(guān)聯(lián)性都比較強。，說明此組數(shù)據(jù)具有顯著性。在對稱度量的分析中，性別、婚姻、職位、工齡、學歷五個屬性的K值均為正數(shù)，說明此五項屬性與員工設施性福利感受正相關(guān)，月薪呈負相關(guān)。此時，對稱度量中的性別、婚姻、職位、工齡四個樣本屬性的sig值均，說明此四項的正相關(guān)顯著。因為學歷與月薪的sig值均，所以學歷、月薪的相關(guān)性都不顯著。 員工屬性與企業(yè)娛樂及輔助性福利相關(guān)性分析 樣本屬性與員工娛樂及輔助性福利相關(guān)性分析　卡方檢驗對稱度量樣本屬性　值漸進 Sig. (雙側(cè))按順序Kendall39。s taub值近似值 Sig.性別Pearson 卡方.000.009似然比線性和線性組合婚姻Pearson 卡方.000.277.001似然比線性和線性組合職位Pearson 卡方.000.429.000似然比線性和線性組合工齡Pearson 卡方.000.238.004似然比線性和線性組合學歷Pearson 卡方.000.105.326似然比線性和線性組合月薪Pearson 卡方.000.148.162似然比線性和線性組合.391在對于員工娛樂性及輔助性福利感受的相關(guān)性卡方檢驗的分析中得出：性別、婚姻、職位、工齡、學歷、月薪六個樣本屬性的X2值都較大，其中尤以職位與工齡的X2值最大，樣本屬性中的每一項與員工娛樂性及輔助性福利整體感受的關(guān)聯(lián)性都比較強。，說明此組數(shù)據(jù)具有顯著性。在對稱度量的分析中，婚姻、職位、工齡、學歷、月薪五個屬性的K值均為正數(shù)，說明此五項屬性與員工娛樂性及輔助性福利感受正相關(guān)，性別呈負相關(guān)。此時，對稱度量中的性別、婚姻、職位、工齡四個樣本屬性的sig值均，說明此四項的相關(guān)性均顯著。因為學歷與月薪的sig值均，所以學歷、月薪的相關(guān)性都不顯著。 企業(yè)員工福利項目的AHP層次模型重要性分析 員工福利項目層次分析結(jié)構(gòu)模型的建立及分析方法和步驟，可以建立圖1所示的層次分析結(jié)構(gòu)模型。圖1：員工福利滿意度AHP分析模型。本文以層次分析法（AHP）為分析工具。具體分析步驟如下：（1） 分析系統(tǒng)中各因素之間的關(guān)系，建立系統(tǒng)的遞階層次結(jié)構(gòu)：目標層—準測層—指標層；（2） 對同一層次的各因素與上一層次各準則的相對重要性進行比較，構(gòu)造比較判斷矩陣；（3） 計算各比較因素準測層的相對權(quán)重。相對權(quán)重由舉證的最大特征根和特征向量來確定；（4） 計算各層因素對系統(tǒng)目標的權(quán)重，并進行排序。 準則層元素相對于目標層的重要性判斷矩陣及排序首先構(gòu)造判斷矩陣。請被調(diào)查者判斷同一層次中各因素的相對重要性，方法是針對上一層次的指標，對本層次各有關(guān)因素進行比較打分。判斷標度采用層次分析法常用的 1/9—9標度，讓被調(diào)查者對B層各因素相對于A的重要程度進行打分，經(jīng)過統(tǒng)計得到B層因素相對于A的重要性判斷矩陣，： B層元素相對于A層的重要性判斷矩陣員工福利滿意度 A 判斷矩陣一致性比例：。 對總目標的權(quán)重：。 \lambda_{max}：員工福利滿意度 A整體感受 B1經(jīng)濟性福利 B2工時性福利 B3設施性福利 B4娛樂及輔助福利 B5Wi整體感受 B11537經(jīng)濟性福利 B231