员工绩效得分影响因素的逐步回归分析
1 案例背景
本案例数据来源于280份员工问卷调查，以绩效得分为因变量，候选自变量包括培训时长、工作投入、离职倾向和通勤时间。分析过程使用SPSSAU在线数据分析平台完成逐步回归分析。逐步回归是一种变量筛选方法，通过逐步引入或剔除自变量，从候选变量集合中筛选出对因变量具有显著解释力的最优变量子集。本研究采用逐步法（Stepwise），在每一步中根据F检验的显著性水平决定变量的引入或剔除，直至模型中不再有变量被引入或剔除为止。逐步回归能够有效处理多重共线性问题并简化模型，同时保留对因变量贡献最大的自变量。
2 分析结果
在SPSSAU【进阶方法】模块选择【逐步回归】，将变量拖拽至右侧对应分析框，选择变量进入方式为“逐步法”，操作如下图：
表1 逐步回归分析结果
表1报告了逐步回归最终模型的分析结果。模型R²=0.875，调整R²=0.873，F(4,275)=480.097（p<0.001），四个自变量合计解释了绩效得分87.5%的方差，拟合优度优良。D-W值=1.958，接近2，残差不存在显著的一阶自相关。
培训时长的回归系数B=1.644（SE=0.048，t=34.599，p<0.001），标准化系数β=0.740，是所有变量中影响最大的因素，表明培训时长每增加一个单位，绩效得分提升1.644个单位。VIF=1.004，远低于10的阈值，不存在多重共线性问题。工作投入的回归系数B=1.233（SE=0.056，t=21.862，p<0.001），β=0.470，VIF=1.015，对绩效得分具有显著正向影响。工作投入反映员工对工作的积极投入程度，高工作投入的员工往往表现出更强的责任感和主动性，从而获得更高的绩效评价。
离职倾向的回归系数B=-0.836（SE=0.055，t=-15.205，p<0.001），β=-0.326，VIF=1.009，对绩效得分具有显著负向影响，表明离职倾向越高，绩效得分越低。这一结果符合管理实践逻辑：具有较高离职倾向的员工通常工作积极性下降、投入减少，从而影响绩效表现。通勤时间的回归系数B=0.125（SE=0.050，t=2.507，p=0.013<0.05），β=0.054，VIF=1.007，影响显著但效应较小。通勤时间对绩效的正向影响可能反映了居住距离较远的员工通过补偿性努力来维持绩效水平，或通勤时间较长的员工往往具有更高的岗位级别和薪酬。所有变量的VIF值均接近1，容忍度均大于0.99，多重共线性诊断表明模型不存在共线性问题。
表2 逐步回归分析结果-简化格式
表2以简化格式汇总了各变量回归系数（括号内为t值）、95%置信区间和共线性诊断指标，便于快速查阅核心结果。
表3 迭代中间过程
表3展示了逐步回归的迭代过程。第1步仅引入培训时长（B=1.678，t=19.217），模型R²较低；第2步引入工作投入（B=1.166，t=15.321），培训时长系数调整为1.631，模型解释力提升；第3步引入离职倾向（B=-0.832，t=-14.992），三个变量均保持显著；第4步引入通勤时间（B=0.125，t=2.507，p=0.013），形成最终模型。迭代过程表明，培训时长是最先被选入的变量，说明其对绩效得分的解释力最强；通勤时间最后被选入且p值接近0.05，对模型的边际贡献较小。逐步回归的变量选择顺序反映了各自变量对因变量解释贡献的相对重要性排序。
3 可视化结果
图1为逐步回归的残差散点图，展示了标准化残差与拟合值的关系，残差随机分布在零线附近，无明显趋势性模式，验证了模型的线性假设和同方差性假设。
图2为标准化回归系数对比图，培训时长的柱体最高（β=0.740），其次为工作投入（β=0.470）和离职倾向（β=-0.326），通勤时间影响最小（β=0.054），直观呈现了各因素对绩效得分影响的相对大小。
结论
综上，借助SPSSAU在线数据分析平台完成逐步回归分析，从四个候选变量中筛选出培训时长（β=0.740，p<0.001）、工作投入（β=0.470，p<0.001）、离职倾向（β=-0.326，p<0.001）和通勤时间（β=0.054，p=0.013）四个显著变量。模型R²=0.875，D-W=1.958，各变量VIF均接近1，不存在多重共线性，模型拟合优良。培训时长是影响绩效得分最重要的因素，离职倾向具有显著负向影响。