Поколения X и Y: кто чаще меняет работу

Я уже не аноснирую наше исследование в начале, пишу так много, что не ожидаю незнакомых людей в нем, но если и появятся, ссылка на исследование текучести внизу, проголосуйте - оно по прежнему актуально.
Если вся эта аналитическая фигня неинтересна - читайте внизу вывод жирным 

Логика проверки заключается, в первую очередь , в очищении эффекта корреляции пары «возраст – стаж».

Представьте ситуацию, что представитель поколения X устроился на работу в 1985 году и работает по сю пору. Это здорово, но это не значит, что поколение X более стабильно: просто представитель поколения Y в 1985 году в лучшем случае сидел на горшке и сравнивать поколения в данном разрезе некорректно.

Поэтом у справедливо было бы посмотреть ситуацию, в которой оба поколения X и Y дееспособны.

Я взял следующие границы поколений:

Поколение X = 1963 : 1981

Поколение Y = 1982 : 1992

Верхнюю границу поколения Y я не стал поднимать до 1995 года, потому что:

Я решил взять выборку респондентов, трудоустроившихся после после 1 января 2012 года. В этом году даже самым молодым представителям поколения Y уже 19 лет, они вполне трудоспособны.

Далее мы посмотрим значимость различий в стаже между поколениями X и Y.

Всего в этот период устроилось на работу 637 респондентов, из них

X   Y

227 410

Call:

lm(formula = log(r1$stag, base = exp(1)) ~ XYZ, data = r1)

Residuals:

    Min      1Q  Median      3Q     Max

-2.2638 -0.4720  0.1341  0.5165  1.2741

Coefficients:

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

(Intercept)  2.19159    0.04842  45.264   <2e-16 o:p="">

XYZY         0.07218    0.06035   1.196    0.232   

---

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.7295 on 635 degrees of freedom

Multiple R-squared:  0.002248, Adjusted R-squared:  0.0006766

F-statistic: 1.431 on 1 and 635 DF,  p-value: 0.2321

 Либо банальный Манн Уитни

> wilcox.test(stag ~ XYZ, data=r1, paired = FALSE)

        Wilcoxon rank sum test with continuity correction

data:  stag by XYZ

W = 43647.5, p-value = 0.1938

alternative hypothesis: true location shift is not equal to 0

Для тех, кто не знает, как читать данный тип диаграмм Как читать диаграмму boxplot.

$X

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00    5.00    9.00   10.09   14.75   26.00

$Y

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00    6.00   11.00   11.66   16.00   32.00
Вывод: мы не наши различий стаже Y-ов и X-ов.
У данного метода есть несколько недостатков, главный, на моя взгляд, в том, что я не беру в анализ незаконченные случаи, т.е. те ситуации, когда человек устроился на работу в указанный промежуток времени (после 1 января 2012 года), но еще не уволился. Эти ситуации также можно анализировать, но данная информация изначально искажена в нашем исследовании, поэтому я не могу полноценно ее включить.

Как мы можем сделать проверку? У нас в этот же промежуток времени 54 респондента указали пустой дату увольнений, т.е. они продолжали работать на момент заполнения опросника.

16  из них относятся к поколению X

38 – к поколению Y

Напомню, что ранее я давал цифры

X   Y

227 410

Это те, кто указал дату увольнения, т.е. закончил работать

Далее составляем таблицу сопряженности

	поколение X	поколение Y
продолжает работать	16	38
уволился	227	410

Хиквадрат = 0, 374 без поправки на непрерывность. С поправкой – еще выше будет.

Вывод: мы не смогли доказать утверждение,что представители поколения Y чаще меняют работу, чем поколение X.

Для продвинутых аналитиков скажу, почему не сделал анализ типа Каплан Майер: у нас опрос более года длился, а дату заполнения анкеты не фиксировал, поэтому анализ дожития был бы некорректным.

Но я исправился, и в новой анкете учтены недостатки, а вы сейчас пойдете и поучаствуете в опросе Ключевые факторы удержания и текучести персонала