old
Li
2018年5月4日
data
#
#
dta <- read.csv("data0419.csv", header = T)
options(digits = 3)
pacman::p_load(tidyverse, ggplot2, MASS, furniture, broom)
dta <- dta %>% mutate( Gender = relevel(Gender, ref = "女"),
Sector = relevel(Sector, ref = "私立"),
Field1 = relevel(Field1, ref = "遊憩與運動學群"),
EduLv = factor(EduLv, levels=c("博士","碩士","普通大學","科技大學",
"技術學院","五專","三專",
"二專","高中","高職","國中")),
EduLv = relevel(EduLv, ref = "技術學院"),
Region = factor(Region, levels =c("宜花東離島","北北基","桃竹苗",
"中彰投","雲嘉南","高屏澎")),
Age = as.numeric(Age),
J_year = as.numeric(J_year),
JobZone = as.numeric(JobZone),
EduZone = as.numeric(EduZone),
JobZone_D = as.numeric(EduZone-JobZone),
Salary = as.numeric(Salary),
SubEduOver = relevel(SubEduOver, ref="符合工作要求"),
Core = recode_factor(as.factor(JobCor), "1" = "無關聯",
"2" = "部分關聯",
"3" = "核心關聯"),
SubEduOver = factor(SubEduOver,levels =c("符合工作要求","高於工作要求","低於工作要求")))%>%
filter(Age <= 65 & Age >= 20 & Category != "自營者")
# data construction
glimpse(dta)## Observations: 1,518
## Variables: 25
## $ SID <fctr> A10, A100, A103, A104, A105, A106, A107, A108, A1...
## $ Gender <fctr> 女, 女, 男, 女, 女, 女, 女, 女, 男, 男, 男, 女, 男, 男, 女, 女, 女...
## $ Sector <fctr> 國立（公立）, 私立, 國立（公立）, 國立（公立）, 國立（公立）, 私立, 私立, 國立（公立...
## $ EduLv <fctr> 碩士, 普通大學, 高職, 普通大學, 普通大學, 普通大學, 普通大學, 普通大學, 碩士, 五...
## $ SubEduOver <fctr> 高於工作要求, 符合工作要求, 符合工作要求, 符合工作要求, 符合工作要求, 符合工作要求, 符...
## $ Require <fctr> 高中/高職, 普通大學, 高中/高職, 普通大學, 普通大學, 普通大學, 普通大學, 普通大學,...
## $ Field1 <fctr> 資訊學群, 外語學群, 工程學群, 文史哲學群, 文史哲學群, 大眾傳播學群, 大眾傳播學群, 藝...
## $ City <fctr> 高雄市, 苗栗縣, 高雄市, 南投縣, 嘉義市, 臺北市, 臺北市, 南投縣, 臺中市, 桃園市,...
## $ Category <fctr> 受雇於公營機關, 受雇於公營機關, 受雇者於私營企業, 受雇於公營機關, 受雇者於私營企業, 受雇...
## $ Staff <fctr> 50-99人, 50-99人, 2-9人, 100-199人, 10-29人, 30-49人, 3...
## $ Hours <int> 40, 70, 57, 51, 64, 50, 50, 47, 60, 45, 40, 56, 42...
## $ J_year <dbl> 8, 4, 21, 1, 6, 0, 1, 1, 7, 3, 23, 1, 2, 1, 1, 14,...
## $ J_total <dbl> 8, 4, 30, 1, 6, 0, 2, 2, 7, 30, 26, 1, 10, 1, 2, 1...
## $ income <fctr> 2-3萬以下, 3-4萬以下, 3-4萬以下, 4-5萬以下, 2萬以下, 3-4萬以下, 3-4...
## $ SubMismatch <int> 2, 3, 5, 4, 5, 4, 3, 3, 4, 4, 4, 5, 5, 3, 2, 4, 1,...
## $ JobSat <int> 4, 3, 5, 6, 7, 5, 3, 6, 5, 4, 7, 3, 4, 4, 4, 5, 5,...
## $ EduZone <dbl> 5, 4, 2, 4, 4, 4, 4, 4, 5, 3, 5, 4, 4, 4, 4, 5, 4,...
## $ Region <fctr> 高屏澎, 桃竹苗, 高屏澎, 中彰投, 雲嘉南, 北北基, 北北基, 中彰投, 中彰投, 桃竹苗,...
## $ Salary <dbl> 25000, 35000, 35000, 45000, 20000, 35000, 35000, 4...
## $ Age <dbl> 34, 30, 62, 25, 21, 24, 25, 26, 35, 54, 54, 23, 34...
## $ JobZone <dbl> 3, 4, 3, 4, 4, 4, 4, 4, 4, 4, 5, 4, 4, 3, 2, 4, 3,...
## $ JobCor <int> 1, 2, 1, 2, 1, 3, 1, 1, 3, 1, 1, 3, 1, 3, 1, 2, 1,...
## $ Core <fctr> 無關聯, 部分關聯, 無關聯, 部分關聯, 無關聯, 核心關聯, 無關聯, 無關聯, 核心關聯, ...
## $ ObjOver <fctr> over, adequate, under, adequate, adequate, adequa...
## $ JobZone_D <dbl> 2, 0, -1, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 1, 2, 1, ...# NA
apply(apply(dta, 1, is.na), 1, sum)## SID Gender Sector EduLv SubEduOver Require
## 0 0 0 0 0 0
## Field1 City Category Staff Hours J_year
## 0 0 0 0 0 0
## J_total income SubMismatch JobSat EduZone Region
## 0 0 0 0 0 0
## Salary Age JobZone JobCor Core ObjOver
## 0 0 0 0 0 0
## JobZone_D
## 0# check and pick out
lapply(dta[,c("Sector", "Field1", "City", "Region","EduLv", "SubEduOver", "ObjOver")], levels)## $Sector
## [1] "私立" "國外學校" "國立（公立）"
##
## $Field1
## [1] "遊憩與運動學群" "大眾傳播學群" "工程學群" "文史哲學群"
## [5] "外語學群" "生命科學學群" "生物資源學群" "地球與環境學群"
## [9] "法政學群" "社會與心理學群" "建築與設計學群" "財經學群"
## [13] "教育學群" "資訊學群" "管理學群" "數理化學群"
## [17] "醫藥衛生學群" "藝術學群"
##
## $City
## [1] "宜蘭縣" "花蓮縣" "金門縣" "南投縣" "屏東縣" "苗栗縣" "桃園市"
## [8] "高雄市" "基隆市" "雲林縣" "新北市" "新竹市" "新竹縣" "嘉義市"
## [15] "嘉義縣" "彰化縣" "臺中市" "臺北市" "臺東縣" "臺南市" "澎湖縣"
##
## $Region
## [1] "宜花東離島" "北北基" "桃竹苗" "中彰投" "雲嘉南"
## [6] "高屏澎"
##
## $EduLv
## [1] "技術學院" "博士" "碩士" "普通大學" "科技大學" "五專"
## [7] "三專" "二專" "高中" "高職" "國中"
##
## $SubEduOver
## [1] "符合工作要求" "高於工作要求" "低於工作要求"
##
## $ObjOver
## [1] "adequate" "over" "under"p <- dplyr::select(dta, -City, -income, -JobSat)
p <- p[p$EduLv %in% c("博士","碩士", "普通大學", "科技大學", "技術學院"),]
#分離年齡
p$D_Age <- ifelse(p$Age>40, "o", "y")
po <- filter(p,D_Age == "o")
py <- filter(p,D_Age == "y")分配表
#年齡分配
addmargins(table(p$EduLv, p$D_Age))##
## o y Sum
## 技術學院 4 35 39
## 博士 4 5 9
## 碩士 34 415 449
## 普通大學 32 639 671
## 科技大學 10 248 258
## 五專 0 0 0
## 三專 0 0 0
## 二專 0 0 0
## 高中 0 0 0
## 高職 0 0 0
## 國中 0 0 0
## Sum 84 1342 1426plot
由於工作時數與薪資有高度相關，因此使用工作時數與現職年資做為預測
40歲以上者為“o”，20-40歲者為“y”
我將現職年資抓在1-20年的range內(考量在年輕群中最老的只有40歲)
年長者與年輕者確實有些差異
#不同年齡的趨勢圖
ggplot(p, aes(Hours, Salary, color = D_Age)) +
geom_point(size = rel(.5)) +
stat_smooth(aes(group = D_Age), method = "lm", se = F )+
scale_y_continuous(limits = c(20000, 350000), breaks = seq(20000, 350000, by = 50000)) +
labs(x = "工作時數", y = "薪資") +
scale_color_manual(values = c("light blue", "orange")) +
theme_bw()
#不同年齡的趨勢圖
ggplot(p, aes(J_year, Salary, color = D_Age)) +
geom_point(size = rel(.5)) +
stat_smooth(aes(group = D_Age), method = "lm", se = F )+
scale_y_continuous(limits = c(20000, 350000), breaks = seq(20000, 350000, by = 50000)) +
scale_x_continuous(limits = c(1, 25), breaks = seq(1, 24, by = 2))+
labs(x = "現職年資", y = "薪資") +
scale_color_manual(values = c("light blue", "orange")) +
theme_bw()## Warning: Removed 17 rows containing non-finite values (stat_smooth).## Warning: Removed 17 rows containing missing values (geom_point).
regression
抓40歲以上的人進行階層迴歸
#
#po
# Fit the full model
full<- lm(log(Salary) ~Gender+ Sector+ Field1+ Region+ EduLv+ SubEduOver +SubMismatch +ObjOver +Core + J_year+ Staff+ EduZone+ Hours, data = po)
# Fit the null model
null <- lm(log(Salary) ~1, data= po)
a1 <- update(null,~.+Gender)
summary(a1)##
## Call:
## lm(formula = log(Salary) ~ Gender, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.085 -0.219 0.138 0.250 1.399
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.9332 0.0655 167.02 <2e-16 ***
## Gender男 0.2789 0.1000 2.79 0.0066 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.454 on 82 degrees of freedom
## Multiple R-squared: 0.0866, Adjusted R-squared: 0.0755
## F-statistic: 7.78 on 1 and 82 DF, p-value: 0.00658a2 <- update(null,~.+Gender+Sector+ EduLv+ Field1)
summary(a2)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1,
## data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.931 -0.234 0.027 0.176 1.072
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.8674 0.3701 29.37 <2e-16 ***
## Gender男 0.2138 0.1259 1.70 0.095 .
## Sector國外學校 0.2515 0.2388 1.05 0.297
## Sector國立（公立） -0.0232 0.1108 -0.21 0.835
## EduLv博士 0.2769 0.3253 0.85 0.398
## EduLv碩士 0.5674 0.2377 2.39 0.020 *
## EduLv普通大學 0.2223 0.2332 0.95 0.344
## EduLv科技大學 -0.0160 0.2591 -0.06 0.951
## Field1工程學群 -0.0222 0.3145 -0.07 0.944
## Field1文史哲學群 -0.2485 0.3302 -0.75 0.455
## Field1外語學群 -0.1081 0.3264 -0.33 0.742
## Field1生命科學學群 -0.2757 0.4005 -0.69 0.494
## Field1地球與環境學群 -0.2109 0.4199 -0.50 0.617
## Field1法政學群 -0.4996 0.3739 -1.34 0.186
## Field1社會與心理學群 -0.3365 0.3360 -1.00 0.321
## Field1建築與設計學群 -0.9298 0.4014 -2.32 0.024 *
## Field1財經學群 -0.6387 0.3357 -1.90 0.062 .
## Field1教育學群 -0.7247 0.4901 -1.48 0.144
## Field1資訊學群 -0.2554 0.3413 -0.75 0.457
## Field1管理學群 -0.1490 0.3100 -0.48 0.632
## Field1數理化學群 -0.7638 0.4060 -1.88 0.065 .
## Field1醫藥衛生學群 -0.0862 0.3108 -0.28 0.783
## Field1藝術學群 -0.2818 0.3756 -0.75 0.456
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.392 on 61 degrees of freedom
## Multiple R-squared: 0.493, Adjusted R-squared: 0.31
## F-statistic: 2.7 on 22 and 61 DF, p-value: 0.00121a3 <- update(null,~.+Gender+Sector+ EduLv+ Field1+ Region+ J_year+ Hours)
summary(a3)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1 +
## Region + J_year + Hours, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.8297 -0.2140 0.0192 0.1903 1.1685
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.89867 0.63977 17.04 <2e-16 ***
## Gender男 0.19953 0.13383 1.49 0.142
## Sector國外學校 0.27919 0.24695 1.13 0.263
## Sector國立（公立） 0.02784 0.12960 0.21 0.831
## EduLv博士 0.27050 0.35096 0.77 0.444
## EduLv碩士 0.63436 0.25180 2.52 0.015 *
## EduLv普通大學 0.30424 0.24940 1.22 0.228
## EduLv科技大學 0.09169 0.26917 0.34 0.735
## Field1工程學群 -0.14768 0.34562 -0.43 0.671
## Field1文史哲學群 -0.42649 0.36937 -1.15 0.253
## Field1外語學群 -0.38639 0.35969 -1.07 0.287
## Field1生命科學學群 -0.40614 0.44487 -0.91 0.365
## Field1地球與環境學群 -0.31782 0.46222 -0.69 0.495
## Field1法政學群 -0.65611 0.45164 -1.45 0.152
## Field1社會與心理學群 -0.41244 0.39630 -1.04 0.303
## Field1建築與設計學群 -0.91267 0.43388 -2.10 0.040 *
## Field1財經學群 -0.65797 0.38400 -1.71 0.092 .
## Field1教育學群 -0.56633 0.51818 -1.09 0.279
## Field1資訊學群 -0.32967 0.39396 -0.84 0.406
## Field1管理學群 -0.23666 0.34953 -0.68 0.501
## Field1數理化學群 -0.90838 0.44246 -2.05 0.045 *
## Field1醫藥衛生學群 -0.23609 0.33756 -0.70 0.487
## Field1藝術學群 -0.41130 0.42518 -0.97 0.338
## Region北北基 0.00400 0.33981 0.01 0.991
## Region桃竹苗 -0.12250 0.34387 -0.36 0.723
## Region中彰投 -0.42670 0.38785 -1.10 0.276
## Region雲嘉南 -0.21765 0.34259 -0.64 0.528
## Region高屏澎 -0.25280 0.33462 -0.76 0.453
## J_year 0.00237 0.00698 0.34 0.735
## Hours 0.00264 0.00634 0.42 0.679
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.392 on 54 degrees of freedom
## Multiple R-squared: 0.55, Adjusted R-squared: 0.309
## F-statistic: 2.28 on 29 and 54 DF, p-value: 0.00445a41 <- update(null,~.+Gender+Sector+ EduLv+ Field1+ Region+ J_year+ Hours+ SubEduOver)
summary(a41)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1 +
## Region + J_year + Hours + SubEduOver, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.8329 -0.1996 0.0135 0.1648 1.1715
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.77471 0.62348 17.28 <2e-16 ***
## Gender男 0.21746 0.12969 1.68 0.100 .
## Sector國外學校 0.20303 0.24098 0.84 0.403
## Sector國立（公立） 0.04543 0.12693 0.36 0.722
## EduLv博士 0.24932 0.34098 0.73 0.468
## EduLv碩士 0.61567 0.24533 2.51 0.015 *
## EduLv普通大學 0.29179 0.24426 1.19 0.238
## EduLv科技大學 0.04957 0.26180 0.19 0.851
## Field1工程學群 -0.15543 0.33445 -0.46 0.644
## Field1文史哲學群 -0.44563 0.35778 -1.25 0.219
## Field1外語學群 -0.35423 0.34802 -1.02 0.313
## Field1生命科學學群 -0.28669 0.43404 -0.66 0.512
## Field1地球與環境學群 -0.23253 0.44856 -0.52 0.606
## Field1法政學群 -0.59445 0.43951 -1.35 0.182
## Field1社會與心理學群 -0.41430 0.38307 -1.08 0.284
## Field1建築與設計學群 -0.97056 0.42021 -2.31 0.025 *
## Field1財經學群 -0.55235 0.37741 -1.46 0.149
## Field1教育學群 -0.26028 0.52464 -0.50 0.622
## Field1資訊學群 -0.33961 0.38097 -0.89 0.377
## Field1管理學群 -0.19082 0.33862 -0.56 0.576
## Field1數理化學群 -0.94610 0.42796 -2.21 0.031 *
## Field1醫藥衛生學群 -0.24498 0.32659 -0.75 0.457
## Field1藝術學群 -0.24272 0.41917 -0.58 0.565
## Region北北基 0.06980 0.32985 0.21 0.833
## Region桃竹苗 -0.02828 0.33945 -0.08 0.934
## Region中彰投 -0.34441 0.37909 -0.91 0.368
## Region雲嘉南 -0.18305 0.33270 -0.55 0.585
## Region高屏澎 -0.18905 0.32607 -0.58 0.565
## J_year 0.00162 0.00676 0.24 0.811
## Hours 0.00484 0.00644 0.75 0.455
## SubEduOver高於工作要求 -0.30288 0.16290 -1.86 0.069 .
## SubEduOver低於工作要求 -0.46019 0.31091 -1.48 0.145
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.379 on 52 degrees of freedom
## Multiple R-squared: 0.595, Adjusted R-squared: 0.354
## F-statistic: 2.47 on 31 and 52 DF, p-value: 0.00195a42 <- update(null,~.+Gender+Sector+ EduLv+ Field1+ Region+ J_year+ Hours+ SubEduOver+SubMismatch)
summary(a42)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1 +
## Region + J_year + Hours + SubEduOver + SubMismatch, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.8205 -0.2107 0.0146 0.1701 1.1714
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.89309 0.72920 14.94 <2e-16 ***
## Gender男 0.21101 0.13236 1.59 0.117
## Sector國外學校 0.23274 0.26013 0.89 0.375
## Sector國立（公立） 0.05471 0.13127 0.42 0.679
## EduLv博士 0.25102 0.34400 0.73 0.469
## EduLv碩士 0.60631 0.24919 2.43 0.019 *
## EduLv普通大學 0.27997 0.24913 1.12 0.266
## EduLv科技大學 0.05196 0.26420 0.20 0.845
## Field1工程學群 -0.16462 0.33859 -0.49 0.629
## Field1文史哲學群 -0.44445 0.36093 -1.23 0.224
## Field1外語學群 -0.38550 0.36435 -1.06 0.295
## Field1生命科學學群 -0.30755 0.44264 -0.69 0.490
## Field1地球與環境學群 -0.21752 0.45489 -0.48 0.635
## Field1法政學群 -0.62934 0.45650 -1.38 0.174
## Field1社會與心理學群 -0.42906 0.38914 -1.10 0.275
## Field1建築與設計學群 -0.97722 0.42439 -2.30 0.025 *
## Field1財經學群 -0.56756 0.38365 -1.48 0.145
## Field1教育學群 -0.22349 0.54151 -0.41 0.682
## Field1資訊學群 -0.34463 0.38462 -0.90 0.374
## Field1管理學群 -0.20312 0.34373 -0.59 0.557
## Field1數理化學群 -0.98311 0.44686 -2.20 0.032 *
## Field1醫藥衛生學群 -0.25839 0.33208 -0.78 0.440
## Field1藝術學群 -0.27937 0.43800 -0.64 0.526
## Region北北基 0.05163 0.33752 0.15 0.879
## Region桃竹苗 -0.04265 0.34533 -0.12 0.902
## Region中彰投 -0.36952 0.39033 -0.95 0.348
## Region雲嘉南 -0.18832 0.33601 -0.56 0.578
## Region高屏澎 -0.20728 0.33379 -0.62 0.537
## J_year 0.00189 0.00687 0.28 0.784
## Hours 0.00431 0.00671 0.64 0.524
## SubEduOver高於工作要求 -0.32266 0.17551 -1.84 0.072 .
## SubEduOver低於工作要求 -0.43717 0.32173 -1.36 0.180
## SubMismatch -0.01878 0.05854 -0.32 0.750
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.382 on 51 degrees of freedom
## Multiple R-squared: 0.596, Adjusted R-squared: 0.343
## F-statistic: 2.35 on 32 and 51 DF, p-value: 0.00309a51 <- update(null,~.+Gender+Sector+ EduLv+ Field1+ Region+ J_year+ Hours+ ObjOver)
summary(a51)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1 +
## Region + J_year + Hours + ObjOver, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.7617 -0.2035 0.0054 0.1704 1.0302
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.68796 0.64515 16.57 <2e-16 ***
## Gender男 0.23000 0.13399 1.72 0.0920 .
## Sector國外學校 0.15074 0.25224 0.60 0.5527
## Sector國立（公立） -0.05677 0.13496 -0.42 0.6757
## EduLv博士 0.44040 0.36678 1.20 0.2353
## EduLv碩士 0.79741 0.26758 2.98 0.0044 **
## EduLv普通大學 0.34240 0.24987 1.37 0.1765
## EduLv科技大學 0.16275 0.27038 0.60 0.5498
## Field1工程學群 0.05675 0.35706 0.16 0.8743
## Field1文史哲學群 -0.12020 0.39870 -0.30 0.7643
## Field1外語學群 -0.07340 0.39270 -0.19 0.8524
## Field1生命科學學群 -0.07897 0.46944 -0.17 0.8671
## Field1地球與環境學群 -0.18837 0.47277 -0.40 0.6919
## Field1法政學群 -0.26438 0.48658 -0.54 0.5892
## Field1社會與心理學群 -0.25228 0.39809 -0.63 0.5290
## Field1建築與設計學群 -0.62866 0.45265 -1.39 0.1708
## Field1財經學群 -0.39901 0.40075 -1.00 0.3240
## Field1教育學群 -0.30537 0.53073 -0.58 0.5675
## Field1資訊學群 -0.08189 0.40849 -0.20 0.8419
## Field1管理學群 -0.02340 0.36199 -0.06 0.9487
## Field1數理化學群 -0.59003 0.46357 -1.27 0.2087
## Field1醫藥衛生學群 -0.02789 0.35246 -0.08 0.9372
## Field1藝術學群 -0.13082 0.44359 -0.29 0.7692
## Region北北基 0.11595 0.33875 0.34 0.7335
## Region桃竹苗 0.02109 0.34628 0.06 0.9517
## Region中彰投 -0.27400 0.39137 -0.70 0.4870
## Region雲嘉南 -0.11970 0.34107 -0.35 0.7270
## Region高屏澎 -0.12810 0.33470 -0.38 0.7035
## J_year 0.00149 0.00691 0.22 0.8301
## Hours 0.00127 0.00628 0.20 0.8399
## ObjOverover -0.21062 0.11804 -1.78 0.0802 .
## ObjOverunder 0.16294 0.24722 0.66 0.5127
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.385 on 52 degrees of freedom
## Multiple R-squared: 0.582, Adjusted R-squared: 0.333
## F-statistic: 2.33 on 31 and 52 DF, p-value: 0.00338a52 <- update(null,~.+Gender+Sector+ EduLv+ Field1+ Region+ J_year+ Hours+ ObjOver+ Core)
summary(a52)##
## Call:
## lm(formula = log(Salary) ~ Gender + Sector + EduLv + Field1 +
## Region + J_year + Hours + ObjOver + Core, data = po)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.6643 -0.1997 -0.0241 0.1782 0.9534
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.774487 0.637556 16.90 <2e-16 ***
## Gender男 0.170019 0.135339 1.26 0.2149
## Sector國外學校 0.321445 0.260597 1.23 0.2232
## Sector國立（公立） -0.053327 0.136348 -0.39 0.6974
## EduLv博士 0.299623 0.379676 0.79 0.4337
## EduLv碩士 0.745665 0.276115 2.70 0.0094 **
## EduLv普通大學 0.334819 0.248807 1.35 0.1845
## EduLv科技大學 0.193413 0.266439 0.73 0.4713
## Field1工程學群 -0.056798 0.353610 -0.16 0.8730
## Field1文史哲學群 -0.261297 0.404102 -0.65 0.5208
## Field1外語學群 -0.233104 0.392403 -0.59 0.5552
## Field1生命科學學群 -0.169315 0.461668 -0.37 0.7154
## Field1地球與環境學群 -0.108813 0.470123 -0.23 0.8179
## Field1法政學群 -0.302033 0.476839 -0.63 0.5294
## Field1社會與心理學群 -0.480067 0.404425 -1.19 0.2408
## Field1建築與設計學群 -0.610924 0.443002 -1.38 0.1740
## Field1財經學群 -0.440809 0.392526 -1.12 0.2668
## Field1教育學群 -0.700651 0.555046 -1.26 0.2127
## Field1資訊學群 -0.278524 0.416374 -0.67 0.5066
## Field1管理學群 -0.128732 0.357669 -0.36 0.7204
## Field1數理化學群 -0.797593 0.465503 -1.71 0.0928 .
## Field1醫藥衛生學群 -0.173842 0.351933 -0.49 0.6235
## Field1藝術學群 -0.264342 0.447473 -0.59 0.5574
## Region北北基 0.115053 0.333977 0.34 0.7319
## Region桃竹苗 -0.060290 0.341060 -0.18 0.8604
## Region中彰投 -0.359486 0.386271 -0.93 0.3565
## Region雲嘉南 -0.139585 0.335244 -0.42 0.6789
## Region高屏澎 -0.149036 0.330997 -0.45 0.6545
## J_year 0.004701 0.006989 0.67 0.5043
## Hours -0.000656 0.006238 -0.11 0.9167
## ObjOverover -0.101793 0.126810 -0.80 0.4259
## ObjOverunder 0.166901 0.244172 0.68 0.4974
## Core部分關聯 0.141944 0.155560 0.91 0.3659
## Core核心關聯 0.299889 0.149212 2.01 0.0499 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.377 on 50 degrees of freedom
## Multiple R-squared: 0.615, Adjusted R-squared: 0.361
## F-statistic: 2.42 on 33 and 50 DF, p-value: 0.00229