• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistical Methods and Applications >Evaluating the impact of a grouping variable on Job Satisfaction drivers
【24h】

Evaluating the impact of a grouping variable on Job Satisfaction drivers

机译：评估分组变量对工作满意度驱动因素的影响

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

An important issue in Job Satisfaction analysis is to discover the most important drivers of the workers' overall satisfaction. This can be investigated by means of data mining techniques able to measure the importance of a covariate in the prediction of a given outcome. Variable importance measures are mainly proposed in the literature in the framework of tree-based learning ensembles, like Random Forests or Gradient Boosting Machine. In this paper a Random Forest variable importance measure is used for mining the drivers of Job Satisfaction in the Social Service sector. In addition an innovative algorithmic procedure is proposed in order to assess the impact of a grouping variable on this variable importance measure. The goal is to investigate if the importance of a Job Satisfaction driver is different for subjects belonging to different groups.
机译：工作满意度分析中的一个重要问题是发现影响员工整体满意度的最重要因素。这可以通过数据挖掘技术来研究，该技术能够测量协变量在预测给定结果中的重要性。在文献中，主要在基于树的学习集成框架中提出了可变重要性度量，例如随机森林或梯度提升机。本文采用随机森林变量重要性评估方法来挖掘社会服务部门工作满意度的驱动因素。另外，为了评估分组变量对该变量重要性度量的影响，提出了一种创新的算法程序。目的是调查工作满意度驱动程序的重要性对于属于不同群体的受试者是否有所不同。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号