薪酬公平分析:基本指南[附教程]

如果你认真考虑为员工提供公平的薪酬，薪酬公平分析是你的武器库中不可或缺的工具。让我们来看看薪酬公平分析的定义，为什么要进行它，以及全面的薪酬公平分析的步骤。

内容
什么是薪酬公平分析?
为什么要进行薪酬公平分析
如何进行薪酬公平分析

什么是薪酬公平分析?

薪酬公平其核心理念是，如果员工做的工作价值相同，他们就应该得到相同的报酬。这被定义为在类似的工作条件下，需要基本相似的技能、职责和工作复杂性的工作。

例如，在一家零售店，男性货架堆垛员和女性销售助理理论上应该得到相同的薪酬，除非有充分的理由导致薪酬差异。公平的薪酬差异可以归因于员工之间的能力、任期和资格的差异。

人力资源专业人员通过薪酬公平分析(PEA)来了解组织中是否存在薪酬差异。这是通过对工资数据的统计分析来实现的。工作表现“以牙还牙”的员工会拿他们的薪水做比较。任何不合理的差异都会被注意到，并向高级管理层和领导团队建议立即在整个业务范围内创建更公平的薪酬结构。PEA通常在一个组织中每年进行一次，但它可以在公司认为合适的任何时候进行。

为什么要进行薪酬公平分析

许多组织继续少给女性和少数民族工资比白人男性做同样的工作然而,一个Glassdoor网站的调查报告称，67%的美国员工不会申请他们认为存在性别薪酬差距的组织的工作。不仅越来越多的员工要求公平薪酬，而且法律也在慢慢跟上，要求企业合作。

进行薪酬公平分析是公平和合乎道德的。它展示了你的承诺多样性、公平、包容和归属感(DEIB)，提高你的薪酬福利结构，帮助你保持竞争力作为雇主在你的行业，满足股东的期望，并确保遵守法律。

人力资源部门有责任确保公司遵守相关的薪酬公平法规。如果做不到这一点，可能会导致诉讼和其他法律行动，而且可能会对组织在员工和客户中的声誉造成不可挽回的损害。这样的损失可能比该公司面临的任何罚款都要昂贵。

不同国家和州的法律要求各不相同。在美国，1963年的《同工同酬法案》规定，各组织必须为同工同酬，这意味着所有在美国的组织都必须遵守。其他法律，如《美国残疾人法案》(ADA)不适用于规模较小的企业，因此人力资源主管必须检查哪些法律适用于他们的组织。

2021年3月，加州通过了一项新法律，要求雇主提交年度同工同酬报告。与此同时,科罗拉多州其他多个州已经通过或正在考虑通过薪酬透明法案。在新泽西戴安·b·艾伦薪酬平等法案在美国，有13个受保护的类别，包括性别、种族、性取向和年龄。在安大略省，《薪酬平等法》要求雇主将工作分类为女性工作类别(如果70%的员工是女性)、男性工作类别(如果60%的员工是男性)或中性工作类别(如果员工数量大致相同)。然后将这些工作类别与同等价值的工作类别进行比较，工资率必须相应调整。

在欧洲，欧洲联盟(EU)监督和支持《公约》的实施2006/54 / EC号指令成员国之间的同工同酬。更重要的是，欧盟委员会正在提出一个关于薪酬透明度的新指令该法案旨在加强同工同酬。

如何进行薪酬公平分析

1.设定目标并获得支持

你的薪酬公平分析的主要目标是什么?

确保你消除了法律风险?更新当前的薪酬实践和政策?回应股东的要求?消除员工之间的薪酬不平等?还是别的什么?在一开始就明确你的目标是很重要的，因为这些目标会影响整个过程和方法。

在开始分析之前，获得领导的支持同样重要。了解你的最终目标将使你能够向高级管理层解释审计的目的，以及从长远来看它将如何使组织受益。薪酬公平分析需要人力、时间和金钱，所以你需要确保你有足够的预算和能力来处理这项任务。通常需要人力资源人员、财务或薪资人员以及法律顾问的协助来协助审计。此外，您可能希望获得您的分析团队或数据科学家的帮助-任何有回归分析和统计软件经验的人。

2.分析你当前的薪酬政策和实践

第二步是评估现有的政策。你们的薪酬和福利待遇是怎样的?如果你的组织横跨多个地区，如果有区别的话，有什么区别?你的薪酬和福利团队可能非常清楚哪里存在薪酬差异，所以你可能想从这里开始。

薪酬公平分析是一个复杂的过程，可能永无止境。从最基本的问题开始，例如，基于性别和种族，决定你目前的薪酬政策是否公平，并以此为基础。例如，谷歌担心他们的员工在面对客户的角色上有不公平的优势，这使他们更有可能被提升到高薪职位。他们进行了薪酬公平审计，发现事实并非如此。

根据联邦法律，如果一个组织能够证明这种差异是基于其中一个职位的差异，那么这种薪酬差异就是合理的后：

1. 资历制度
2. 功绩制度
3. 衡量收入、生产数量或质量的系统
4. 性别以外的任何其他因素(也称为“全面”例外，包括教育、培训或班次差异等因素)

然而，值得注意的是，第四个因素最近受到了审查，许多州现在要求除性别之外的其他因素与工作有关或基于商业需要。

3.确定“可比工作”在你的组织中是什么意思

“类似工作”或“基本上相似的工作”通常被州法律定义为需要基本上相似的技能、职责和投入，并且在类似的工作条件下进行的工作。要确定两份工作是否具有可比性，有必要对工作进行整体分析。这个过程叫做工作评估．仅看职位名称和职位描述并不能决定是否适合。此外，你不应该想当然地认为不同部门或单位的职位没有可比性。

为了确保你的组织符合有关薪酬公平的法律要求，确定所有表现类似工作的员工是这个过程的关键步骤。由于薪酬平等法律的发展趋势已超越性别范畴，因此了解所在地区的立法细节并确定所有比较群体非常重要。

4.收集相关数据

你拥有的员工越多，你的评估和结果就越可靠。我们发现，如果对250名或更多的员工进行分析，结果就会变得可靠。

下一步是开始收集数据进行分析。您通常可以从HRIS或工资单数据库中提取大部分信息。

下面是一些你可以包含的变量:

工资信息:

• 基本工资
• 奖金
• 可变薪酬

位置信息:

• 职称
• 工作水平
• 技能池
• 团队
• 部门

员工/合同信息:

• 性别
• (每周)工作时间
• 年龄
• 种族
• 任期内
• 资历
• 性取向
• 性能
• 潜在的

你拥有的变量越多，你对任何潜在偏差的估计就越准确。最终，您的数据文件可能类似于我们的示例数据集，您可以下载它在这里：

职务高低	部门	工资	性别	年龄	任期内	性能	joblevel	合同	教育
软件设计师	B2B	39621.75	F	58	10 +	4	顾问	60％	博士学位
图形分析	B2B	20962.63	F	56	< 5	3.	顾问	60％	硕士
业务开发人员	管理	73637.43	米	64	5 - 10	2	工程师	100％	学士
市场分析员	操作	95765.07	米	42	5 - 10	3.	导演	100％	学士
软件把	B2B	10617.87	F	31	< 5	4	顾问	20％	硕士
营销设计师	金融	51247.47	米	35	10 +	3.	分析师	60％	学士

在收集数据时，考虑员工隐私是至关重要的。在开始分析之前，要制定一个计划，以保护所有员工的机密性。任何信息都不应传递给您的分析师，这些信息可能会识别员工的个人身份。在继续操作之前，请删除数据文件中的所有敏感信息。

5.分析并识别公司内部的薪酬差异

许多组织通过邀请他们的数据分析团队或招募外部专家来协助这一步骤而受益。

然而，它也可能有益于您和您的人力资源团队升级您的人员分析技能，以便能够遵循分析过程。你可以报名参加88必威 以改善人力资源的数据驱动决策。

另外，如果你不是薪酬福利专家，你可能会找到一个薪酬福利课程帮助人力资源专业人士更好地了解组织内薪酬的各个方面。

现在，让我们深入分析过程。

i.安装软件

你可以选择使用:

• R
• Python
• 情景应用程序
• Excel

我们和R在RStudio，你可以按连结免费下载。

2数据加载和设置

有了数据之后，下一步是设置R环境并将数据加载到R中。对于这个分析，您需要几个R包，它们是预先编写的代码模块。

# install.packages(“tidyverse”)# install.packages(“扫帚”)# install.packages(“kableExtra”)

首先，如果需要，在您的计算机上本地安装软件包。接下来，你可以把它的函数附加到你的R工作环境:

图书馆(tidyverse)图书馆(扫帚)图书馆(kableExtra)

通过将这个最小主题设置为默认设计，您的情节将看起来更美观:

Theme_set (new = theme_minimal())

你可能想关掉科学记数法:

选项(scipen = 999)

一旦加载了所有必要的包，就可以上传公司数据了。

将下面代码中的文件路径指向本地计算机上的下载位置。

#我们读入数据并将其存储在内存中，对象名为' df '#请确保将文件路径更改为数据集存储在您自己计算机上的目录位置df = read.csv(file = 'data/HRIS-data.csv')

3数据清理，探索和准备

给自己留出足够的时间来熟悉数据并为分析做好准备是很重要的。

在这里，我们将数据清理、探索和准备分组在一个阶段，因为一个阶段通常会导致另一个阶段。

例如，在知道要清理哪些数据之前，您将需要探索您的数据。通常，在清理过程中，您已经准备并设置了用于分析的数据。在清理数据时，您可能会发现一些与您的分析相关的新数据类别。

在使用自己的组织数据进行薪酬公平分析时，您需要考虑一些事情。

充分了解你的薪资数据

对于薪酬审计，您希望确保了解并隔离不同的薪酬组成部分。这些包括:

• 基本工资
• 绩效奖金
• 股票期权
• 佣金
• 特别嘉奖
• 要求补偿
• 带薪病假
• 还有更多。

其中一些因素比其他因素更重要和相关，而一些因素可能比其他因素更容易表现出偏见。一次只分析一个工资组成部分是明智的。例如，假设你的基本工资是平均分配的，但你的股票期权不是。在看薪酬总额时，你可能不会在股票期权中发现这种较小的偏差。

当涉及到数据清理时，您可能需要删除工资数据中的财务符号(例如，$，€)。在R中，你可以使用readr: parse_number ()函数。

您可能还想在这里执行一些常规检查。

• 你所有的工资数据都是正的并且高于零吗?
• 薪资数据在你期望的范围内吗?
• 那你看每小时的工资呢?
• 工资数据是否足够正态分布，还是需要在分析之前进行一些转换?

最后，你需要考虑合同时间。一名每周工作20小时的员工比同一职位的全职员工挣得少。你可以将你的工资数据转换为每小时的工资，通过将所有的工资外推到全职合同，或者在以后的分析中将合同时间作为控制变量。

分析可比群体

如果你在一家大公司工作，为多个实体分别进行薪酬审计可能是个好主意。例如，如果您在多个国家开展业务，那么对每个国家的员工重复审计可能会更有见解。这可以确保你比较可比的员工和工资，并且没有外部因素影响你的结果，但仍然无法解释。

需要注意的是，每次分析都需要足够大的样本量，以确保得出可靠的结果，从而得出充分的结论。

不要估计小群体的影响

最后要考虑的一件事是避免在分析中包含小团体。一个很好的例子就是职称的使用。在任何组织中，你都可能遇到各种各样的头衔。有些职位头衔甚至可能对组织中的特定人员是唯一的。当你有这么小的群体时，统计模型往往无法学习和隔离可能的工资影响。

也许有更好的方法对这些数据进行分组。例如，决定薪水的往往不是职位的头衔，而是该职位的工作级别。因此，最好使用该信息作为分析的输入。

类似地，与其关注小团队中的偏见，不如关注部门。除了城市位置，也许你可以看看地区差异。

如果你有很多无法分组的数据点，考虑添加一个“其他”类别。

iv.探讨未经调整的性别薪酬差距

一旦你清理了数据并使其具有相关性，在开始分析之前，你可能想要研究一下性别薪酬差距。

在我们的数据中，男性和女性的工资分布是这样的:

Ggplot2::ggplot(data = df) + Ggplot2::geom_density(mapping = Ggplot2::aes(x =工资，填充=性别)，alpha = 0.5)

你可以清楚地看到，在图的右边，男性的工资相对较高，那里的工资较高。

现在，让我们来看看未经调整的性别工资差距。这本质上是男女平均工资之间的差异。我们可以通过以下方法计算这个未调整的度量:

#为女性数据记录创建布尔索引is_female = df$性别== 'F'#计算女性数据记录的平均工资Female_average_salary = mean(df$salary[is_female]) print(Female_average_salary)

## [1] 44106.55

#计算男性数据记录的平均工资Male_average_salary = mean(df$salary[!is_female]) print(Male_average_salary)

## [1] 64290.64

#通过减去另一个来计算未调整的工资差距打印(Unadjusted_pay_gap)

## [1] 20184.09

这表明男性挣$在我们的组织中，平均比女性少201184.09人。

然而，这一指标没有根据各种已知的影响工资的因素进行调整，包括工作级别、任期、以前的工作经验等等。因此，查看未经调整的工资差距通常不像你希望的那样有信息量。

幸运的是，我们可以使用统计建模控制所有其他工资驱动因素，并分离性别的影响。这就是我们所说的调整后薪酬差距．

v.估计调整后的工资差距

我们可以通过把工资分解成一个等式来估计调整后的性别工资差距。

下面是一个典型工人的工资方程式:

工资=男* B1 + X * Bx + e

在这里,B1系数将反映“身为男性”对你的薪水的影响。所有其他变量的影响(X)，按其各自的系数(Bx）.

你不可能拥有所有的信息，这就是为什么数据中会有一些随机的噪音。任何未解释的差异将被捕获e-错误。

统计模型

接下来，我们将探索运行四个连续的回归模型。模型变得越来越精细，将工资建模为越来越多的预测因子的函数。

模式1:工资是性别的函数

第一个模型相当幼稚，因为它假设只有性别会影响员工的工资。

Mod1 = lm(工资~性别，数据= df)

根据我们的数据，这个模型显示，男性员工比女性同事平均多赚20184.09美元。

正如最后一列中的p.value(大约0.000)所示，这种影响非常显著。

broom::tidy(mod1) %>% kableExtra::kbl(标题= '型号1'，数字=2)%>% kableExtra::kable_styling()

模型1

术语	估计	std.error	统计	p.value
(拦截)	44106.55	852.54	51.74	0
genderM	20184.09	1298.63	15.54	0

模型2:考虑工作时间的影响

第二个模型考虑了一个稍微不那么简单的场景，将员工的合同时间信息添加到工资方程中。

我们知道这些因素对年薪有很大的影响，而且男性和女性全职员工的比例可能不相等。

Mod2 = lm(工资~性别+合同，数据= df)

根据我们的数据，这个模型的结果表明，合同工时占员工工资的很大一部分。此外，在我们的第一个模型中发现的性别偏见也大大减少了。

broom::tidy(mod2) %>% kableExtra::kbl(标题= 'Model 2'，数字=2)%>% kableExtra::kable_styling()

模型2

术语	估计	std.error	统计	p.value
(拦截)	62395.32	896.23	69.62	0
genderM	8126.63	965.69	8.42	0
contract20%	-49708.75	2087.31	-23.81	0
contract40%	-37822.90	1552.52	-24.36	0
contract60%	-25493.94	1224.82	-20.81	0
contract80%	-9736.66	1217.52	-8.00	0

我们的数据确实显示，男性和女性全职员工的比例存在很大差异:

df %>% dplyr::count(合同，性别)%>% tidyr::pivot_wider(names_from =性别，values_from = n, values_fill = 0) %>% dplyr::mutate(pct_women = F/(M+F)) %>% dplyr::arrange(pct_women) %>% kableExtra::kbl(标题= '性别x全职合同'，数字=2)%>% kableExtra::kable_styling()

性别x全职合同

合同	F	米	pct-women
100％	140	272	0.34
60％	122	47	0.72
80％	130	45	0.74
40%	69	20.	0.78
20％	46	0	1.00

然而，这种合同时间上的差异并不能消除所有的工资偏见。第二个模型仍然显示，男性员工比女性同事平均多赚8126.63美元。

同样，这种影响非常显著，如最后一列中的p.value所示(约为0.000)。

替代方法

另一种计算工作时间的方法是定义一个不同的结果变量。例如，你可以计算出salary_per_hour_worked，计算方法是用薪金除以合约时数或兼职百分比。如果你使用这个新计算出来的变量作为你回归方程中的因变量，你就不需要控制合同在你的模型中。

为了说明目的，我们在模型中坚持基本工资。这使我们能够更轻松地解释所有其他效果。

模式三:增加更多的员工特征

在第三个模型中，我们在工资方程中加入了其他员工特征。

Mod3 = lm(工资~性别+合同+学历+年龄+任期，数据= df)

我们的研究结果表明，这些特征是导致员工工资变化的另一大原因。结果，性别的影响进一步缩小。

然而，第三种模型仍然存在一些偏差。男性员工的平均年薪比女性员工高出4309.35美元。

同样，这一效应是非常显著的，如图所示p.value在最后一列(大约0.000)。

broom::tidy(mod3) %>% kableExtra::kbl(标题= 'Model 3'，数字=2)%>% kableExtra::kable_styling()

模型3

术语	估计	std.error	统计	p.value
(拦截)	53013.00	1595.36	33.23	0．00
genderM	4309.35	878.65	4.90	0．00
contract20%	-51740.47	1831.03	-28.26	0．00
contract40%	-38947.10	1355.56	-28.73	0．00
contract60%	-26090.94	1069.81	-24.39	0．00
contract80%	-10826.54	1063.19	-10.18	0．00
educationMasters	1293.31	839.73	1.54	0.12
educationOther	-2123.80	1318.06	-1.61	0.11
educationPhD	5035.46	1303.38	3.86	0．00
年龄	78.97	27.85	2.84	0．00
tenure10 +	14416.96	939.59	15.34	0．00
tenure5-10	9520.11	915.78	10.40	0．00

模式四:考虑所有可用的人力资源信息

我们的第四个模型包括了薪酬方程中所有剩余的人力资源信息。加上变量性能，工作水平,部门，对于每一个，我们的线性模型将尝试估计其对工资的影响。

Mod4 = lm(工资~性别+合同+学历+年龄+任期+业绩+职位级别+部门，数据= df)

从结果来看，我们发现性别偏见终于消失了。虽然在可比员工中，男性的平均工资仍比女性高647.37美元，但根据调查显示，这种差异已不再显著p.value在最后一列(大约0.377)。

broom::tidy(mod4) %>% kableExtra::kbl(标题= '型号4'，数字=2)%>% kableExtra::kable_styling()

模型4

术语	估计	std.error	统计	p.value
(拦截)	48602.65	1781.18	27.29	0
genderM	647.37	732.79	0.88	0.38
contract20%	-51446.69	1440.49	-35.71	0
contract40%	-38742.67	1070.72	-36.18	0
contract60%	-26044.01	845.53	-30.8	0
contract80%	-11753.77	835.48	-14.07	0
educationMasters	141.09	668.28	0.21	0.83
educationOther	-3756.89	1041.48	-3.61	0
educationPhD	4437.42	1027.69	4.32	0
年龄	103.89	21.93	4.74	0
tenure10 +	15372.98	741.96	20.72	0
tenure5-10	9647.82	721.19	13.38	0
性能	7．5	250.32	0.03	0.98
joblevelAssociate	492.57	949.32	0.52	0.6
joblevelConsultant	434.31	943.49	0.46	0.65
joblevelDirector	22128.82	1209.82	18.29	0
joblevelEngineer	3856.74	1077.2	3.58	0
joblevelLead	2901.21	1157.75	2.51	0.01
joblevelManager	6456.59	1421.24	4.54	0
departmentB2C	958.16	1256.76	0.76	0.45
departmentFinance	2121.62	1255.24	1.69	0.09
departmentHR	-475.85	1246.73	-0.38	0.7
departmentManagement	9420.99	1174.28	8.02	0
departmentOperations	1203.89	1175.71	1.02	0.31
departmentOther	-1062.46	1235.79	-0.86	0.39
departmentSales	942.85	1142.06	0.83	0.41

最后一步输入的变量，特别是joblevel这和工资有很大关系。

一个导演会比同类人多赚22,128.82美元分析师，而一个团队的相对工资增长引领只要2,901.21美元。

如果比较多的人占据导演职位，这可能会导致我们在模型1中看到的巨大性别薪酬差距。

一些快速的回顾性分析表明，情况确实如此。

我们发现有两种模式放大了原始的、未经调整的薪酬差距:

• 在性别类别中，我们发现男性在高薪职位上的比例过高
• 在性别类别中，我们看到男性在高薪职位上的比例更大

df %>% dplyr::group_by(joblevel) %>% dplyr:: summary (n = n()， women = sum(gender == 'F')， men = sum(gender == 'M')， average_salary = mean(salary)) %>% dplyr::ungroup() %>% dplyr::mutate(pct_men = format_pct(men/n)， pct_of_men = format_pct(men/sum(men))， pct_of_women = format_pct(women/sum(women))) %>% dplyr::arrange(desc(average_salary)) %>% kableExtra::kbl(标题= '工作级别x性别'，数字=2)%>% kableExtra::kable_styling()

工作级别x性别

joblevel	n	女性	男人	average_salary	pct_men	pct_of_men	pct_of_women
导演	84	26	58	76819.79	69.00%	15.10%	5.10%
工程师	132	32	One hundred.	58925.89	75.80%	26.00%	6.30%
经理	51	26	25	53269.4	49.00%	6.50%	5.10%
引领	90	56	34	51815.82	37.80%	8.90%	11.00%
联系	179	115	64	48608.76	35.80%	16.70%	22.70%
分析师	165	121	44	47460.75	26.70%	11.50%	23.90%
顾问	190	131	59	46875.75	31.10%	15.40%	25.80%

6.解读数据

下一步是解释数据。通过四个线性回归模型，你可以制定越来越复杂的方程来估计工资。这些方程使我们能够分离出性别群体之间的任何线性差异。

尽管最简单和幼稚的模型显示了未经调整的性别工资差距20184.09美元，最终模型考虑了我们现有的所有人力资源信息，结果显示调整后的性别薪酬差距仅为647.37美元没有统计学意义。

工作级别和员工任期(以及其他因素)对工资有很强的影响。同时，员工的教育程度、年龄和上一年度的绩效评估对薪酬的影响较小。

可以肯定的是，这种薪酬公平分析使我们能够得出这样的结论:可观察到的、未经调整的性别薪酬差距与性别没有直接关系，而是由其他影响因素造成的。幸运的是，我们最终结果中调整后的薪酬差距表明，我们为同等工作的人才公平、平等地支付薪酬。

进一步的研究

我们现在可以解释，解释，并理解是什么导致了我们组织中的薪酬差异;然而，它仍然存在。在未经调整的测量中可以看到显著的差异，这暗示了其他潜在的问题。

尽管模型显示，我们很可能在同工同酬，但可能还有其他问题在起作用。例如，我们可能不会平等招聘。或者，我们可能不会像男性同事那样频繁或迅速地提拔女性。还有一种可能性是，我们可能无法充分帮助女性平衡工作和家庭生活，这导致她们由于相互竞争的角色和责任而提前退出劳动力市场。

无论薪酬公平审计的统计结果如何，你都应该一直考虑如何提高组织的多样性、平等性、包容性和归属感。

非线性效应

并不是所有影响工资的因素都有线性效应。例如，虽然你的薪酬福利政策可能会导致新员工的工资迅速增长，但当员工的任期延长时，他们可能会达到他们的工资上限。这可能导致保留期的影响是非线性的，而在我们的模型中，我们假设它是线性的。

更重要的是，我们组织中的性别偏见可能不是线性和相似的。例如，我们可能在组织的较低级别分配工资的方式上没有偏见，但我们可能在董事之间。或者人力资源部门可能没有性别偏见，但销售部门可能有。

您可以通过在您的组织中建模这种上下文偏见来扩展这一点。例如，通过对特定子组(如工作级别或部门)运行工资差距分析，或者通过在您的总体分析中添加交互术语。

其他工资构成

我们的例子只分析了性别基本工资存在偏见，但你可能需要调查其他组成部分。

7.与主要利益相关者分享结果并采取行动

最后一步是从薪酬公平分析报告中获得结果，并与领导团队和利益相关者进行沟通，即使这些结果不是你所希望的。同样重要的是，让公司里的每个人都知道你很重视薪酬公平，并采取必要的措施来发现和解决任何不平衡的问题。如果你发现了法律规定的不合理的薪酬差距，那么尽快纠正就很重要了。

轮到你了

薪酬公平分析是一个复杂的过程;然而，遵守法律并建立一个包容、公平的工作场所是至关重要的。记住，即使你的结果不那么令人满意，这也是确保未来薪酬公平的一个很好的开始。