3.3 调查结果分析
3.3.1 样本描述性分析
样本的具体变量统计结果如下表 3.1 所示。
（1）从性别上来看，男性总体高于女性，甚至达到 2 倍水平。这也进一步说明了 IT 互联网企业技术人才男性从业者占据主导地位。这种现象可能与 IT互联网企业的行业性质有关系，因为 IT 互联网企业工作压力较大，女性可能出于家庭或者其他方面的考虑，从事 IT 互联网技术岗的人比较少。不过这一现象也可能与人才招聘环节有关，招聘人员在招聘过程中更倾向与聘用男性技术人才。
（2）从年龄方面来看，年龄在 20-29 岁之间人数占总数的比例高达 65%;30-39 岁之间人数占总数 27.5%.这一结果也验证了 IT 互联网企业技术人才日趋年轻化这一趋势特点。
（3）从工龄上来看，被调查样本工龄在 3 年及 3 年以内的比例为 55%,其中1 年及 1 年以下的样本占据 24.71%的比例，这也从侧面说明了如今校园招聘在IT 互联网企业招聘中占据了重要的地位，工龄的分布也与年龄分布具有较好的一致性，这说明本次调查样本有效性较高。
（4）从学历层次上来分析，IT 互联网企业的技术人才本科学历占了 65%的比例，其次为研究生学历，大专及以下仅为 13.3%.由此可见，IT 互联网企业的技术人才大多属于高等学历教育出身，具有良好的专业知识和技术技能。
（5）从人才所属公司性质上来看，民营企业占到总数 75%的比例，远远高于国企和外资企业的总和，这说明了我们目前 IT 互联网企业绝大部分是中小民营企业。
（6）从工作岗位上来看，技术人才占 88.34%的比重，管理人员占 5%.这一方面是由于本次问卷重点针对的是技术人才，在调查时进行了侧重，另一方也是由于 IT 互联网企业是技术导向性的企业，技术人才占据了大多数。
3.3.2 信度分析
首先我们需要通过信度检验来确定调查问卷的准确性与可靠性。信度分析是指对量表进行多次反复测试分析，分析结果的前后一致性程度。本研究采用内部一致性系数（Cronbach Alpha 系数）对工作满意度的四个维度进行分析。Alpha系数越大，说明问卷的调查数据越准确可靠，可信性越强，一般情况下，我们认为 Alpha 系数在 0.7 及以上时，该量表的数据具有比较好的内部一致性，具体分析结果如表 3.2 所示。
通过 SPSS 软件从表中数据可以看出，薪酬福利满意度量表信度系数为 0.795,绩效管理满意度、工作自身满意度和人才发展满意度信度系数都超过 0.8,总体满意度信度系数为 0.832.这充分说明本研究所选取的工作满意度的四个维度和总体满意度之间存在着较好的内部一致性，此次量表准确可靠。
3.3.3 效度分析
（1）效度分析标准
本文探讨效度中的结构效度，利用 KMO 检验和共同度检验的方法来检验各个测量量表是否适合做因子分析。结构效度分析有以下两个判断标准：第一是对KMO 系数的分析，当 KMO 系数>0.7,Sig 值<0.001,则表明选取变量符合效度分析标准；第二个是对共同度进行分析，提取分析的因子共同度>0.4 时，则说明选取变量符合效度分析标准。
（2）各因子变量效度分析
1）薪酬福利满意度效度分析
对量表进行 KMO 检验和共同度检验，量表结果如下表 3.3 所示。
由上表 3.3 中我们可以看到，KMO 系数>0.7,KMO 系数为 0.730,Sig 值为 0,小于 0.001;共同度上没有小于 0.4 的项目，所以效度分析上的两个判断标准均符合要求，因此适合做因子变量。
2）绩效管理满意度效度分析
对量表进行 KMO 检验和共同度检验，量表结果如下表 3.4 所示。
提取方法：主体元件分析。
由上述表格可以看出，KMO 检验系数>0.7,KMO 系数为 0.784,Sig 值为 0,小于 0.001,共同度没有小于 0.4 的项目，效度检验的两个判断标准均符合要求，适合做因子变量。
3）工作自身满意度效度分析
对量表进行 KMO 检验和共同度检验，量表结果如下表 3.5 所示。
由上述表格可以看出，KMO 检验系数>0.7,KMO 系数为 0.736,Sig 值为 0,小于 0.001,共同度没有小于 0.4 的项目，效度检验的两个判断标准均符合要求，适合做因子变量。
4）人才发展满意度
对量表进行 KMO 检验和共同度检验，量表结果如下表 3.6 所示。
由上述表格可以看出，KMO 检验系数>0.7,KMO 系数为 0.767,Sig 值为 0,小于 0.001,共同度没有小于 0.4 的项目，两个判断标准均符合要求，适合做因子变量。
5）总体效度分析
对量表进行 KMO 检验，量表结果如下表 3.7 所示。
由上述表格可以看出，KMO 检验系数>0.7,KMO 系数为 0.879,Sig 值为 0,小于 0.001 拒绝了球形假设，说明本研究所选取工作满意度维度适合做因子分析。
因此我们利用主成分分析法对工作满意度的 12 个项目进行因子旋转，得到量表各个题目在对应因子上的载荷量，如下表 3.8 所示。
从上表 3.8 中可以看出，采用主成分分析法提取 4 个公共因子可以解释工作满意度的 71.992%,表示因子能解释大部分方差，分析结果与预期基本一致，其中因子 1 能够解释工作满意度变异的 41.875%,因子 2 能够解释工作满意度变异的 15.146%,因子 3 能够解释工作满意度变异的 7.889%,因子 4 能够解释工作满意度变异的 7.083%.本文研究所提取的 4 个因子能够在绝大部分程度上解释工作满意度，这说明本研究所选取的 4 个因子维度具有较好的效度，适合做因子分析，对所选取的因子进行旋转分析后得到了因子载荷量表，如下表 3.9 所示。
从上表 3.9 中可以看出，工作满意度四个因子分别集中在薪酬福利满意度、绩效管理满意度、工作自身满意度、人才发展满意度四个维度上，与工作满意度的四个维度基本一致，所选取的因子载荷值大于 0.5.问卷设计各变量效度满足要求。
3.3.4 相关性分析
在相关性分析中，相关性系数 r 值分为以下几种情况：当 r>0 表示我们分析的两个变量之间为正相关关系，反之为负相关关系；︱r︱绝对值低于 0.3 时，则表示选择的两个变量之间基本不相关；︱r︱绝对值在 0.3（含）-0.5 之间表示两个变量之间低度相关；︱r︱绝对值在 0.5（含）-0.8 表示两个变量之间中度相关，︱r︱绝对值在 0.8 及以上表示两个变量之间高度相关。本文对选择的各个变量进行相关性分析，相关性分析量表如下表 3.10、表 3.11、表 3.12、表3.13 所示。
如表 3.10 所示，把各个变量的题目相加后做相关性分析时，各变量之间的相关性变得非常明显。薪酬福利满意度与离职倾向的相关系数为-0.710,相关系数绝对值大于 0.5,这说明薪酬福利满意度与离职倾向二者呈现明显的负相关关系。
从上表我们可以看到，薪酬福利满意度与绩效管理满意度相关系数为 0.946;薪酬福利满意度与工作自身满意度相关系数为 0.970;薪酬福利满意度与人才发展满意度相关系数为 0.937,变量之间的相关系数大于 0.8,.这说明薪酬满意度与绩效管理满意度、工作自身满意度、人才发展满意度高度相关，与工作自身满意度相关性最强。
如表 3.11 所示，把各个变量的题目相加后做相关性分析时，各变量之间的相关性变得非常明显。绩效管理满意度与离职倾向的相关系数为-0.689,相关系数绝对值大于 0.5,这说明绩效管理满意度与离职倾向二者存在着显着的负相关关系。
从上表我们可以看出，绩效管理满意度与薪酬满意度相关系数为 0.946;绩效管理满意度与工作自身满意度相关系数为 0.941;绩效管理满意度与人才发展满意度相关系数为 0.968,变量之间的相关系数均大于 0.8.这说明绩效管理满意度与薪酬福利满意度、工作自身满意度、人才发展满意度高度相关，与人才发展满意度相关性最强。
如上表 3.12 所示，把各个变量的题目相加后做相关性分析时，各变量之间的相关性变得非常明显。工作自身满意度与离职倾向的相关系数为-0.726,相关系数绝对值大于 0.5,这说明工作自身满意度与离职倾向两个变量之间存在明显的负相关关系。
从上表我们可以看到，工作自身满意度与薪酬满意度相关系数为 0.970;工作自身满意度与绩效管理满意度相关系数为 0.941;工作自身满意度与人才发展满意度相关系数为 0.984,变量之间的相关系数均大于 0.8.这说明工作自身满意度与薪酬福利满意度、绩效管理满意度、人才发展满意度高度相关，与人才发展满意度相关性最强。
如上表 3.13 所示，把各个变量的题目相加后做相关性分析时，各变量之间的相关性变得非常明显。人才发展满意度与离职倾向的相关系数为-0.742,相关系数绝对值大于 0.5,这说明人才发展满意度与离职倾向两个变量之间存在明显的负相关关系。
从上表我们可以看到，人才发展满意度与薪酬满意度相关系数为 0.937;人才发展满意度与绩效管理满意度相关系数为 0.968;人才发展满意度与工作自身满意度相关系数为 0.984,变量之间的相关系数均大于 0.8.这说明人才发展满意度与薪酬福利满意度、绩效管理满意度、工作自身满意度高度相关，与工作自身满意度相关性最强。
3.3.5 回归分析
以上的分析仅仅说明了各个变量之间的相关关系，下面采用线性回归分析的方法来进一步分析变量之间的因果关系，其中我们把工作满意度的四个维度定义为自变量，离职倾向定义为因变量。多元线性回归方程的经验模型是：
nny= a +ax+ax+……+ax01122.我们运用四种模型进行线性回归分析，分析结果如下表 3.14 所示。
由上表 3.14 中我们可以看出，经过四次回归分析，人才发展满意度， 工作自身满意度， 绩效管理满意度， 薪酬福利满意度四个自变量进入回归模型 1,模型 1 中2R=0.649,回归分析的拟合程度在我们所选择的四个分析模型中是分析效果最好的，调整后2R=0.584,这说明整个回归方程拟合度较好。回归分析系数如下表 3.15 所示。
由上表 3.15 我们可以看出，回归方程为：
Y=23.412+（-0.683）X1+（-0.451）X2+（-0.567）X3+（-0.182）X4方程中 Y 表示离职倾向，X1、X2、X3、X4分别表示薪酬福利满意度、绩效管理满意度，工作自身满意度，人才发展满意度。
3.3.6 基本信息统计变量的方差分析
本节以被调查人员基本信息为因子，以薪酬满意度、绩效管理满意度、工作自身满意度、人才发展满意度与离职倾向为因变量，分析不同人员特征在各个因子上是否存在显着差异。人员基本信息对各因子的方差分析如下表 3.16 所示。
在上表 3.16 中，我们通过方差分析发现在上表中存在三处带“*”的数值，三项的 Sig 值都是小于 0.05 的数值，这说明这三项存在显着差异，即工龄与工作自身满意度之间存在显着关系，学历对薪酬满意度和人才发展满意度存在显着关系，而其他因素对因变量并不存在显着关系，离职倾向也与员工个人基本信息没有显着关系。下面我们对存在显着关系的三项进行方差齐次性检验，检验结果如下表 3.17 所示。
上表 3.17 中三项的 Sig 值均大于 0.05,这说明方差都具有齐次性。下面对以上三项进一步进行均值比较分析，分析结果如表 3.18、表 3.19 所示。
由上表 3.18 中的数据均值差对比分析我们可以看出，在工作自身满意度上，6 年以上对工作自身满意度>4-6 年技术人才>2-3 年技术人才>1 年及以下技术人才。这说明随着工龄的增加，IT 互联网企业技术人才对工作自身的满意度越高。
由上表 3.19 关于薪酬福利均值差对比可以看出，薪酬福利满意度为本科>大专及以下>硕士及以上，由此可以看出本科对薪酬满意度最高，学历过高薪酬满意度反而较低；由上表 3-20 关于人才发展满意度均差表可以看出，人才发展满意度为硕士及以上>本科>大专及以下，由此可以看出学历越高，IT 互联网企业技术人才对人才发展满意度越高。
