[发明专利]基于大数据模型的电力创新人才能力评估方法

权利要求书

1.基于大数据模型的电力创新人才能力评估方法，其特征在于包括以下步骤：

1)数据采集：获了数据信息，数据信息包括员工基础属性数据、创新能力测评数据、员工能力测评数据、员工考核评测数据；

2)数据处理：包括数据清洗、数据集成、数据变换和数据规约；

3)构建模型，基于因子分析法对创新基地员工的能力因子进行评估，根据问题的性质和要求达到的总目标，筛选创新基地员工的能力因子变量，并按照员工能力因子变量间的相互关联影响以及隶属关系，分析出员工能力因子变量的两两相关性，基于正交法和旋转法，得出影响员工能力因子相关性密切的员工能力因子变量并对因子变量系数进行标准评分，得到相关性比较密切的员工能力因子变量，相关性比较密切的员工能力因子变量成为一公共因子，根据公共因子得到分析模型；分析模型根据相关性大小把原始变量进行分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低，每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构即为公共因子；

4)模型结果输出，根据分析模型的评估方法计算员工各能力因子得分，得到员工能力的分析评估结果，可找出员工能力薄弱的方面，从而有针对性地制订培训材料，培训计划，进而实现员工的能力提升。

2.根据权利要求1所述的基于大数据模型的电力创新人才能力评估方法，其特征在于：分析模型构建包括以下步骤：

301)标准化处理数据；对数据进行标准化处理和计算以消除量纲；

302)确认待分析的原变量是否适合作因子分析

计算原始变量之间的相关系数矩阵；

自变量的相关系数矩阵表示为R＝(r_ij)_p×p，其中，

根据相关系数矩阵计算公式得出员工能力之间的相关性系数；其中

Xai是表示Xi变量中的第a个观测者，Xi拔表示的是Xi这个变量的平均值，Xaj表示的Xj变量中的第a个观测者，Xj拔表示的是Xj这个变量的平均值。

303)构造因子变量，建立正交因子模型

采用主成分分析法，建立员工正交因子模型；通过坐标变换，将原始变量作线性变化，转换为另一组不相关的变量；求相关系数矩阵R的特征根λi(λ1＞λ2＞...＞λp＞0)和相应的标准正交的特征向量li；根据相关系数矩阵的特征根，即公共因子Fi的方差贡献，计算公共因子Fi的方差贡献率与累积贡献率；

设X＝(X₁，...，X_p)′为可观测的随机向量，E(X)＝μ，D(X)＝∑；设公共因子F＝(F₁，...，F_m)′为不可观测的随机向量，E(F)＝0，D(F)＝I_m，即F的各分量方差为1并且互不相关；设特殊因子ε＝(ε₁，...，ε_p)′与公共因子F互不相关；且E(ε)＝0，

假定随机向量X满足以下正交因子模型：

A＝(a_ij)_p×m称为因子载荷矩阵，a_ij称为第i个变量在第j个因子上的载荷；

按照方差累计贡献率大小来确定提取公共因子的个数，得到因子载荷矩阵；

304)采用旋转方法使因子变量具有可解释性

采用正交旋转的方法，使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差总和不变；使每个因子上的具有最大载荷的变量数最小，简化结构；

通过对因子载荷矩阵进行分析，得到因子变量和原有变量之间的关系，从而对新的因子变量进行命名，使原有因子变量更具有可解释性；

305)计算公因子得分

采用回归法、或Bartlette法估计因子得分；计算公因子得分应首先将因子变量表示为原始变量的线性组合，在通过标准评分系数计算公因子得分；根据相关性原则，系数值越大，相关性越大，采用系数值较大的三个因子变量，做线性相关得出公因子得分；获得公因子。