Datadriven analys av lönenivåer och löneökningar (del 2 av 3)

Datadriven analys av lönenivåer och löneökningar (del 2 av 3)

I del 1 analyserade vi ett företags lönenivåer. Vi gjorde en regressionsmodell för att se om vi kunde förklara lönenivåerna med fyra andra variabler. Vi ska nu göra samma typ av analys men för löneökningar och se vilket resultat vi får.

Pang på rödbetan

I vårt förra blogginlägg skrev vi en hel del om regressioner och hur man enkelt kan göra dem i excel. Om ni inte läst det inlägget, gör gärna det först, det finns tillgängligt här.

I det här inlägget går vi pang på rödbetan och studerar vår analys av löneökningar.

Löneökningar – svårare än lönenivåer

När vi tittade på löneökningar så visade det sig vara svårare att hitta påverkande variabler än för lönenivåer. För lönenivåer så användes variablerna 1) antal års erfarenhet av branschen, 2) utbildningsnivå (om man har universitetsutbildning), 3) kön, och 4) organisatoriska tillhörighet (om man är chef), och alla utom utbildningsnivån var statistiskt signifikanta.

För löneökningar så var det inte så enkelt och vi var tvungna att utöka vår modell till sju variabler och även då blev resultatet inte tillfredställande. Utöver de fyra redan nämnda så la vi till om man jobbade internt, om man jobbade i Stockholm (bolag har flera olika arbetsställen i Sverige), samt om man identifierat medarbetaren som högpresterare. Se resultatet från regressionen nedan.

Våra iakttagelser och tolkning

Vi har markerat våra iakttagelser i grönt. För det första så är R-kvadrattalet lågt, vilket säger att modellen bara förklarar en liten del av löneökningarna. De variabler som är signifikanta är 1) år i branschen 2) om man är chef och 3) om man identifierats som högpresterare. Utöver det så är konstanten, dvs snittlöneökningen om de andra variablerna är 0, statistiskt signifikant och ligger på 3,5%.

Det som vi tror är en förklaring till det låga R-kvadrattalet är att det finns en underliggande förklarande variabel som är viktig för löneökningarna, t.ex. arbetskostnadsindex eller liknande. Hursomhelst så har vi inte vid publicering av detta inlägg hunnit analysera detta mer noggrant. Företaget kände sig nöjd med att man inte verkade ha någon systematisk diskriminering när man justerade lönerna.

När vi kollat på detta lite närmare kommer vi dock förhoppningsvis att uppdatera detta blogginlägg.

Kommentarer är stängda.