Dlaczego na przykład płeć zazwyczaj ma kod 0/1 zamiast 1/2?

Rozumiem logikę kodowania do analizy danych. Moje pytanie poniżej dotyczy użycia określonego kodu.

• Czy istnieje powód, dla którego płeć jest często kodowana jako 0 dla kobiety i 1 dla mężczyzny?
• Dlaczego to kodowanie jest uważane za „standardowe”?
• Porównaj to z Kobietą = 1 i Mężczyzną = 2. Czy występuje problem z tym kodowaniem?

Powody, dla których preferowane jest kodowanie zerowych zmiennych binarnych:

• Średnia zmiennej zero-jedynkowej reprezentuje proporcję w kategorii reprezentowaną przez wartość jeden (np. Procent mężczyzn).
• W prostej regresji gdzie jest zmienną zero-jedynkową, stała ma prostą interpretację (np. jest średnią dla kobiet).x a $y = a + bx$$x$$a$$y$
• Każde kodowanie zmiennej binarnej, w którym różnica między dwiema wartościami wynosi jeden (tj. Zero-jeden, ale także jeden-dwa) daje bezpośrednią interpretację współczynnika regresji (np. jest efektem przejścia z kobiety na mężczyznę na y).$b$

Różne punkty dotyczące kodowania zmiennych binarnych:

• Wszelkie kodowanie zmiennej binarnej, która zachowuje porządek kategorii (np. Kobieta = 0, mężczyzna = 1; kobieta = 1, mężczyzna = 2; kobieta = 1007, mężczyzna = 2000; itd.) Nie wpłynie na korelację zmienna binarna z innymi zmiennymi.
• Wszelkie tabele, które zgłaszają zmienną binarną w ten sposób, powinny wyjaśniać, w jaki sposób zmienna została zakodowana. Przydatne może być również oznaczenie zmiennej według kategorii reprezentującej wartość jednego: np. y = a + b * MaleZamiast y = a + b * Gender.
• W przypadku niektórych zmiennych binarnych jedną kategorię bardziej naturalnie należy zakodować jako jedną. Na przykład, patrząc na różnicę między leczeniem a kontrolą, kontrola powinna wynosić zero, a leczenie powinno być jedno, ponieważ współczynnik regresji najlepiej postrzegać jako efekt leczenia.
• Przerzucenie kategorii (np. Uczynienie kobiety = 1 i mężczyzną = 0, zamiast kobiety = 0 i mężczyzny = 1) zmieni znak korelacji i współczynników regresji.
• W przypadku płci zwykle nie ma naturalnego powodu, aby kodować zmienną kobieta = 0, mężczyzna = 1, w porównaniu do mężczyzna = 0, kobieta = 1. Jednak konwencja może sugerować, że jedno kodowanie jest bardziej znane czytelnikowi; lub wybranie kodowania, które powoduje, że współczynnik regresji jest dodatni, może ułatwić interpretację. Ponadto, w niektórych kontekstach, jedną z płci można uznać za kategorię odniesienia; na przykład, jeśli badałeś wpływ bycia kobietą w zawodzie zdominowanym przez mężczyzn na dochód, warto zakodować mężczyznę = 0 i kobietę = 1, aby mówić o wpływie bycia kobietą.
• Skalowanie współczynników regresji w przemyślany sposób może mieć silny wpływ na interpretację współczynników regresji. Andrew Gelman omawia to dość często; patrz na przykład jego artykuł z 2008 r. Skalowanie regresji przez podzielenie przez dwa standardowe odchylenia (PDF) w Statistics in Medicine , 27, 2865-2873.
• Kodowanie męskiego i żeńskiego jako -1 i +1 to kolejna opcja, która może zapewnić znaczące współczynniki (patrz „czym jest kodowanie efektu” ).

Ułatwia interpretację wyników. Załóżmy, że masz jakieś dane dotyczące wysokości:

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

i wziąłeś regresję formy Height = a + b * Gender + Residual.

Za pomocą zmiennej manekina 0,1 uzyskasz szacunkową wartość a170, która jest średnią wysokością kobiet, a b10, która stanowi różnicę między średnimi wysokościami mężczyzn i kobiet.

Dzięki zmiennej manekina 1,2 uzyskasz oszacowanie ana 160, które jest trudniejsze do interpretacji.

Założyłem, że dzieje się tak, ponieważ typ pola często używany do przechowywania płci jest polem bitowym, a pola bitowe w SQL mogą mieć tylko wartości 0 lub 1. Gdy zrzucisz dane, pojawi się jako 0 lub 1, i dlatego otrzymujesz te konkretne wartości.

Jeśli chcesz użyć 1 i 2, musisz użyć większego typu pola, co zająłoby więcej miejsca, a tym samym sprawiłoby, że cała baza danych była nieco większa.

Miałem profesora, który sugeruje, że kodujemy „biologicznie”: kobiety mają 0, a mężczyźni 1 - aby odzwierciedlić anatomię. Nie sądzę, żeby była to najbardziej wrażliwa rzecz na PC, którą można powiedzieć w klasie, ale zdecydowanie łatwa do zapamiętania, patrząc na zestaw danych 5 lat później.

Dotychczas opublikowano wiele dobrych powodów, ale powinno to być również zwrotne. Dlaczego zaczniesz liczyć na 1? To sprawia, że ​​wiele algorytmów numerycznych jest znacznie bardziej skomplikowanych. Etykietowanie zaczyna się od 0, a nie 1. Jeśli nie jesteś jeszcze do tego przekonany, mam dobry przykład, dlaczego jest to ważne na http://madhadron.com/?p=69

Jeśli chodzi o to, dlaczego kobiety mają 0 lat, a mężczyźni 1, pamiętajmy, że przez większą część swojej historii statystyk był prawdopodobnie prostym mężczyzną. Zapytany o nazwę płci, pierwszą, która przyszła mi do głowy, była „kobieta”. Wszystko później było prawdopodobnie historycznym wypadkiem i racjonalizacją.

W ISO / IEC 5218 standardowe aktualizacje to pojęcie z poniższej mapie:

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

Jest to szczególnie przydatne w językach, w których 0 wymusza fałsz, np. W JavaScript:

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

To, co widzę osobiście, to falliczne 0, zazwyczaj reprezentuje kobietę, ponieważ jest to kształt macicy, i uważane jest za żeńskie ... w prawie wszystkich naukach (tj. W biologii / genetyce), koła lub zera reprezentują kobiety. Gdzie bardziej proste kształty krawędzi (trójkąty, kwadraty lub 1s) zwykle reprezentują płeć męską. To proste zrozumienie ułatwiło mi zawsze zapamiętanie, które jest dla mnie najlepsze.

Chociaż na koniec dnia, jeśli to Ty sam kodujesz i analizujesz dane, możesz wstawić dowolne liczby, na ogół tak długo, jak istnieje klucz określający, dla której zmiennej zastępczej użyłeś, dla której to nie ma znaczenia.