Question

我正在为使用R的课程运行多元线性回归。我希望在模型中包含的一个预测变量是编码为＆＃34; m＆＃34;和＆＃34; f＆＃34;。我用R两种不同的方式运行模型：

模型1：＆＃34;性别＆＃34;作为原始分类变量R

lm(formula = P_iP_Choice ~ Sex + Carapace + Competitor_Presence_BI + 
    PSI_Day1_Choice + AGG_AVERAGE, data = pano2014)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.55241 -0.12879 -0.04414  0.13769  0.67394 

Coefficients:
                       Estimate Std. Error t value Pr(>|t|)    
(Intercept)            -0.43031    0.23872  -1.803 0.074353 .  
Sexm                   -0.28566    0.04685  -6.098 1.86e-08 ***
Carapace                0.15558    0.04534   3.431 0.000863 ***
Competitor_Presence_BI -0.03339    0.04532  -0.737 0.462870    
PSI_Day1_Choice         0.15825    0.13029   1.215 0.227273    
AGG_AVERAGE             0.15406    0.07790   1.978 0.050604 .  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.2375 on 104 degrees of freedom
Multiple R-squared: 0.3146, Adjusted R-squared: 0.2817 
F-statistic: 9.549 on 5 and 104 DF,  p-value: 1.611e-07

模型2：个体的性别是一个不同的变量＆＃34;女性＆＃34;编码为0 =男性1 =女性。

lm(formula = P_iP_Choice ~ Female + Carapace + Competitor_Presence_BI + 
    PSI_Day1_Choice + AGG_AVERAGE, data = pano2014)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.55241 -0.12879 -0.04414  0.13769  0.67394 

Coefficients:
                       Estimate Std. Error t value Pr(>|t|)    
(Intercept)            -0.71597    0.24498  -2.923 0.004260 ** 
Female                  0.28566    0.04685   6.098 1.86e-08 ***
Carapace                0.15558    0.04534   3.431 0.000863 ***
Competitor_Presence_BI -0.03339    0.04532  -0.737 0.462870    
PSI_Day1_Choice         0.15825    0.13029   1.215 0.227273    
AGG_AVERAGE             0.15406    0.07790   1.978 0.050604 .  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.2375 on 104 degrees of freedom
Multiple R-squared: 0.3146, Adjusted R-squared: 0.2817 
F-statistic: 9.549 on 5 and 104 DF,  p-value: 1.611e-07

我的理解是截距项系数的差异是由于模型1中的R将我的分类变量虚拟编码成二分变量而我的响应变量的变化由＆＃34;女性＆＃34;被添加到拦截中因为R编码＆＃34;性别＆＃34;使用男性。但是在模型2中，运行模型的差异不会改变模型其他部分的系数估计值。

我想知道的是＆＃34;正确的＆＃34;或广泛接受的在线性模型中使用二分类变量的方法？假人自己编码吗？或者让R虚拟代码吗？

Answer 1

无论哪种方式都是正确的（假设你正确地进行了手动编码），但是有一个但是。 R支持分类变量的几种编码方案（对比）。存在虚拟编码，偏差编码，Helmert编码等。这些方案中的每一个的变化是截距的含义和参数的解释。例如，使用虚拟编码，您可以将所有类别与单个基类别进行比较，截距是基类别的平均值（所有其他参数均为零）。使用偏差编码，您可以截取宏（！）均值，并且您的参数与此平均值的偏差。例如，如果您正在进行国家分析，那么将每个国家与法国进行比较并不总是有用的。相反，您可能希望将每个国家/地区与欧盟的某些平均值进行比较。

这也适用于二分变量。你想比较男人和女人，或者你宁愿比较男人和女人的意思，女人和女人的意思是什么？根据您的研究背景，两者都是可行的。

现在，当您使用手动编码时，您不会出错。然而，您无法快速从一个编码系统切换到另一个编码系统，您必须再次手动重新编码所有内容。对于更复杂的编码系统，您可以通过手动操作来制造错误。对于二分类变量而言，这可能并不重要，但如果您有更多类别，手动创建虚拟对象会使数据集混乱，并在几个月内返回分析时可能会导致混淆。只是一些使用自动编码的参数。

您可以在R here中找到有关编码系统的其他信息。这是一个有用的读物，在回归的背景下为您提供更大的灵活性。祝好运！

Answer 2

只是为了扩展@BenBolker的评论。

在您的第一个模型中，R将Sex=F作为基线并报告截距为-0.43031。如果Sex=M整个模型移动了-0.28566（Sexm的系数）。因此，Sexm 不是男性的影响，它是Sex=F和Sex=M时模型之间的差异。其他参数都不受此影响，因为您具有没有交互的线性模型。所以当Sex=M你有一个相同的模型，但拦截是-0.43031 +（ - 0.28566）= -0.71597。

在你的第二个模型中，女性是一个数字预测器。截距发生在Female=0（例如Sex=M）和-0.71597等于第一个模型时。同样，没有其他参数是不同的，因为它是一个没有相互作用的线性模型。

IMO＆＃34;正确＆＃34;方式取决于您的受众。处理分类变量的惯用方法是第一种 - 使其成为一个因素。但是我发现非技术性的，或者技术性较差的＆＃34;观众第二种方式很多更容易解释和理解。请注意，这仅适用于二分变量 - 如果您的分类变量可以采用两个以上的值，则必须使用因子。

R中的二分线性回归与二分预测变量：虚拟代码还是让R处理它？

2 个答案: