Анализ влияния домена личной почты сотрудника на текучесть персонала

Покажу пример, как можно анализировать данные.
Данные беру отсюда Доменное имя почты кандидата как предиктор текучести персонала.
Еще раз про идею: было бы неплохо иметь возможность прогнозировать срок работы работника в компании по домену почту.

Поясняю на пальцах: разве не кажется красивой ситуация, когда рекрутер даже не видит еще кандидата, получает его резюме и на основе домена электронной почты и каких-то еще данных уже начинает прогнозировать стаж кандидата в компании?

В данных у нас есть: возраст респондента, стаж на последнем месте работы и домен почты (майл, яндекс, рамблер и джимайл) - 107 респондентов
В данном примере показываю взаимосвязь между стажем работы и доменом mail.ru
Выводы делайте сами, я приведу несколько цифр. Но если интересны мои выводы, переходите сразу в вниз

Вычисления

Регрессия стаж ~ майл

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   32.853      3.575   9.190 4.02e-15 ***
майл          12.096      5.921   2.043   0.0436 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 29.48 on 105 degrees of freedom
Multiple R-squared:  0.03822, Adjusted R-squared:  0.02906
F-statistic: 4.173 on 1 and 105 DF,  p-value: 0.04358
R^2 значим.

Регрессия стаж ~ майл + возраст

Если мы добавим возраст, то получим
Coefficients:
             Estimate Std. Error t value Pr(>|t|)  
(Intercept) 3126.5340   660.5288   4.733 7.00e-06 ***
гр            -1.5613     0.3334  -4.684 8.55e-06 ***
майл           9.1821     5.4425   1.687   0.0946 .
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 26.92 on 104 degrees of freedom
Multiple R-squared:  0.2058, Adjusted R-squared:  0.1905
F-statistic: 13.47 on 2 and 104 DF,  p-value: 6.276e-06

В этом уравнении доменное имя не значимо, но таки недалеко от значения 0, 05. Напомню также, что возраст нам не помогает прогнозировать стаж, поскольку является фактором переобучения, поэтому в финальное уравнение мы его не возьмем.

Диаграмма связи возраста и стажа

По горизонтали у нас год рождения, по вертикали - стаж, голубая метка - домен mail.ru, черная - любой другой. Заметно связь возраста и стажа, но пока не очевидна связь домена майловского и стажа

Домен и стаж

справа диаграмма распределения возраста в зависимости от стажа для респондентов, у кого доменное имя mail.ru, слева - респонденты с остальными доменами.
Критерий Стюдента и Манн Уитни (стаж почти нормальное распределение носит, а возраст показывает значимые различия

Регрессия для левой картинки

Coefficients:
             Estimate Std. Error t value Pr(>|t|)  
(Intercept) 3824.1362   763.8698   5.006 4.38e-06 ***
гр            -1.9134     0.3855  -4.963 5.15e-06 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 25.81 on 66 degrees of freedom
Multiple R-squared:  0.2718, Adjusted R-squared:  0.2608
F-statistic: 24.63 on 1 and 66 DF,  p-value: 5.152e-06

Т.е. возраст значим

Регрессия для правой картинки

Coefficients:
             Estimate Std. Error t value Pr(>|t|)
(Intercept) 1602.2625  1240.5597   1.292    0.205
гр            -0.7867     0.6267  -1.255    0.217

Residual standard error: 28.29 on 37 degrees of freedom
Multiple R-squared:  0.04085, Adjusted R-squared:  0.01493
F-statistic: 1.576 on 1 and 37 DF,  p-value: 0.2172

Заключение

Для того, чтобы сделать более определенные выводы, мы можем пойти двумя тропинками:

1. кросс-валидация. Но в нашем случае мало переменных и даже не хочу тратить время на эту процедуру (хотя еще и боязнь погрязнуть в процедуре, поэтому господа аналитики могут меня попинать, и правильно сделают)
2. отбрасывание крайних значений. В нашем кейсе можно отбросить четыре крайних значения - свыше 100 месяцев (ну хотя бы чисто субъективно с т.з. бизнеса меня не очень интересуют сотрудники, которые работают свыше 100 месяцев - это более 8 лет). 

В этом случае регрессия приобретает красивые цифры (обратите внимание, что Adjusted R-squared близок R^2, что говорит в пользу того, что это не переобучение)

Coefficients:

             Estimate Std. Error t value Pr(>|t|)    

(Intercept) 2317.4560   506.3760   4.577 1.36e-05 ***

гр            -1.1551     0.2555  -4.521 1.69e-05 ***

майл          11.9670     4.1600   2.877  0.00491 ** 

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 20.2 on 100 degrees of freedom

Multiple R-squared:  0.2457, Adjusted R-squared:  0.2306 

F-statistic: 16.28 on 2 and 100 DF,  p-value: 7.558e-07

Вопрос: будем брать на работу владельцев е майлов с mail.ru?)

Если говорить о теоретических основаниях полученных результатов, то могу предположить, что владельцы почты mail.ru более консервативны, более эмоционально ригидны, склонные менее к переменам. 

Проверим гипотезу?