Например, почему пол обычно кодируется 0/1, а не 1/2?

Я понимаю логику кодирования для анализа данных. Мой вопрос ниже касается использования определенного кода.

• Есть ли причина, по которой пол часто кодируется как 0 для женщин и 1 для мужчин?
• Почему эта кодировка считается «стандартной»?
• Сравните это с Женский = 1 и Мужской = 2. Есть ли проблема с этим кодированием?

Причины, по которым стоит предпочесть кодирование двоичных переменных нулем один:

• Среднее значение переменной ноль один представляет долю в категории, представленную значением единица (например, процентное соотношение мужчин).
• В простой регрессии где - переменная ноль-один, константа имеет прямую интерпретацию (например, - среднее значение для женщин).$y = a + bx$$x$$a$$y$
• Любое кодирование двоичной переменной, где разница между двумя значениями равна единице (т. Е. Ноль-один, но также один-два), дает прямую интерпретацию коэффициента регрессии (например, - это эффект перехода от женщины к мужчине на у).$b$

Различные пункты о кодировании двоичных переменных:

• Любое кодирование двоичной переменной, которая сохраняет порядок категорий (например, женский = 0, мужской = 1; женский = 1, мужской = 2; женский = 1007, мужской = 2000 и т. Д.) Не повлияет на корреляцию двоичная переменная с другими переменными.
• Любые таблицы, которые сообщают двоичную переменную таким образом, должны прояснить, как переменная была закодирована. Также может быть полезно пометить переменную категорией, которая представляет значение единицы: например, y = a + b * Maleвместо y = a + b * Gender.
• Для некоторых бинарных переменных одна категория более естественно должна быть закодирована как одна. Например, если смотреть на разницу между лечением и контролем, контроль должен быть нулевым, а лечение - единым, потому что коэффициент регрессии лучше всего рассматривать как эффект лечения.
• Переключение категорий (например, создание женского = 1 и мужского = 0, а не женского = 0 и мужского = 1) перевернет знак корреляций и коэффициентов регрессии.
• В случае пола, как правило, нет естественной причины кодировать переменную female = 0, male = 1, по сравнению с male = 0, female = 1. Однако, соглашение может предложить, что одно кодирование более знакомо читателю; или выбор кода, который делает коэффициент регрессии положительным, может облегчить интерпретацию. Кроме того, в некоторых контекстах один пол может рассматриваться как справочная категория; Например, если вы изучали влияние женщины в профессии, в которой доминируют мужчины, на доход, возможно, имеет смысл кодировать мужчина = 0, а женщина = 1, чтобы говорить о влиянии женщины.
• Масштабное усреднение коэффициентов регрессии может оказать сильное влияние на интерпретируемость коэффициентов регрессии. Эндрю Гельман обсуждает это совсем немного; см., например, его статью 2008 г. « Масштабирование регрессионных входов путем деления на два стандартных отклонения» (PDF) в « Статистика в медицине» , 27, 2865-2873.
• Кодирование мужчины и женщины как -1 и +1 является еще одним вариантом, который может обеспечить значимые коэффициенты (см. «Что такое кодирование эффекта» ).

Это облегчает интерпретацию результатов. Предположим, у вас есть данные о высоте:

Woman A: 165
Woman B: 170
Woman C: 175
Man D: 170
Man E: 180
Man F: 190 

и вы взяли регрессию формы Height = a + b * Gender + Residual.

С помощью фиктивной переменной 0,1 вы получите оценку a170, представляющую собой средний рост женщин, и b10, представляющую собой разницу между средним ростом мужчин и женщин.

С фиктивной переменной 1,2 вы получите оценку a160, которую труднее интерпретировать.

Я предполагал, что это потому, что тип поля, часто используемый для хранения пола, является битовым полем, а битовые поля в SQL могут иметь только значения 0 или 1. Когда вы выгружаете данные, они появляются как 0 или 1, и вот почему вы получаете эти конкретные значения.

Если бы вы хотели использовать 1 и 2, вам нужно было бы использовать больший тип поля, который занимал бы больше места и, следовательно, немного увеличивал бы всю базу данных.

Я попросил профессора предположить, что мы кодируем «биологически», где женщины равны 0, а мужчины 1 - для отражения анатомии. Я не думаю, что это была самая чувствительная вещь, которую можно сказать о ПК в классе, но определенно легко запомнить, если взглянуть на набор данных 5 лет спустя.

Пока есть много веских причин, но это также должно быть рефлексивным. Почему вы начинаете считать с 1? Это делает множество численных алгоритмов гораздо более сложным. Маркировка начинается с 0, а не с 1. Если вы еще не уверены в этом, у меня есть хороший пример того, почему это важно по адресу http://madhadron.com/?p=69.

Что касается того, почему женщинам 0, а мужчинам 1, давайте вспомним, что на протяжении большей части своей истории статистик, скорее всего, был мужчиной с натуральной кожей. Когда его попросили назвать пол, первым на ум пришла женщина. Все после этого было, вероятно, исторической случайностью и рационализацией.

Стандарт ISO / IEC 5218 обновляет это понятие следующей картой:

0 = not known,
1 = male,
2 = female,
9 = not applicable.

Это особенно полезно в языках, где 0 приводит к ложному значению, например в JavaScript:

if ( !user.gender ) {
    promptForGender();
}

То, как я вижу это лично, фаллически 0 обычно представляет женщину, поскольку это форма матки, и считается женской ... почти во всех науках (то есть в диаграммах родословной биологии / генетики) круги, или нули представляют женщин. Где более прямые формы края (треугольники, квадраты или 1) имеют тенденцию представлять мужской пол. Это простое понимание позволило мне всегда помнить, что для меня.

Хотя, в конце концов, если вы сами кодируете и анализируете данные, вы можете ставить любые числа, которые вы хотите, как правило, до тех пор, пока есть ключ к той фиктивной переменной, для которой вы использовали, она становится неактуальной.