我正在从Stata过渡到R.在Stata中，如果我将因子级别（比如-0和1）标记为（M和F），则0和1将保持不变。此外，这在大多数软件（包括Excel和SPSS）中都需要虚拟变量线性回归。
但是，我注意到R默认因子水平为1,2而不是0,1。我不知道为什么R会这样做，尽管内部（和正确）回归假设0和1为因子变量。我将不胜感激任何帮助。
这就是我的所作所为：
尝试＃1：
sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(1,0),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 2 1 2 1 1
似乎因子水平现在重置为1和2.我相信1和2是这里对因子水平的引用。但是，我丢失了原始值，即0和1。
Try2：
sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(0,1),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 1 2 1 2 2
同上。我的0和1现在是1＆2和2。非常令人惊讶。为什么会这样。
Try3 现在，我想看看1和2是否有任何不良影响回归。所以，这就是我的所作所为：
这是我的数据：
> head(data.frame(sassign$total_,sassign$gender))
sassign.total_ sassign.gender
1 357 M
2 138 M
3 172 F
4 272 F
5 149 F
6 113 F
myfit<-lm(sassign$total_ ~ sassign$gender)
myfit$coefficients
(Intercept) sassign$genderM
200.63522 23.00606
因此，事实证明手段是正确的。在运行回归时，R确实使用0和1值作为假人。
我确实在SO上检查了其他线程，但他们主要讨论R代码如何在不告诉我原因的情况下对变量进行因子分析。 Stata和SPSS通常要求基本变量为＆＃34; 0。＆＃34;所以，我想到了这个问题。
我很感激任何想法。
答案 0 :(得分：8)
R不是Stata。而且你需要忘掉很多关于虚拟变量构造的教学内容。 R为你做幕后工作。你不能使R的行为与Stata完全相同。没错，R确实有0和1＆＃39;在＆＃34; F＆＃34;的模型矩阵列中等级，但那些乘以因子值，（在这种情况下为1和2）。然而，对比总是关于差异，差异btwn（0,1）与差异btwn（1,2）相同。
数据示例：
dput(dat)
structure(list(total = c(357L, 138L, 172L, 272L, 149L, 113L),
gender = structure(c(2L, 2L, 1L, 1L, 1L, 1L), .Label = c("F",
"M"), class = "factor")), .Names = c("total", "gender"), row.names = c("1",
"2", "3", "4", "5", "6"), class = "data.frame")
这两个回归模型具有不同的模型矩阵（模型矩阵是R如何构造其＆＃34;虚拟变量。
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderM
176.5 71.0
> dat$gender=factor(dat$gender, levels=c("M","F") )
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderF
247.5 -71.0
> model.matrix(myfit)
(Intercept) genderF
1 1 0
2 1 0
3 1 1
4 1 1
5 1 1
6 1 1
attr(,"assign")
[1] 0 1
attr(,"contrasts")
attr(,"contrasts")$gender
[1] "contr.treatment"
> dat$gender=factor(dat$gender, levels=c("F","M") )
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderM
176.5 71.0
> model.matrix(myfit)
(Intercept) genderM
1 1 1
2 1 1
3 1 0
4 1 0
5 1 0
6 1 0
attr(,"assign")
[1] 0 1
attr(,"contrasts")
attr(,"contrasts")$gender
[1] "contr.treatment"
答案 1 :(得分：5)
简而言之，您只是混淆了两个不同的概念。我将在下面逐一阐明它们。
您在str()
您从str()看到的是因子变量的内部表示。因子在内部是一个整数，其中数字给出了向量内的位置。例如：
x <- gl(3, 2, labels = letters[1:3])
#[1] a a b b c c
#Levels: a b c
storage.mode(x) ## or `typeof(x)`
#[1] "integer"
str(x)
# Factor w/ 3 levels "a","b","c": 1 1 2 2 3 3
as.integer(x)
#[1] 1 1 2 2 3 3
levels(x)
#[1] "a" "b" "c"
此类职位的常见用途是以最有效的方式执行as.character(x)：
levels(x)[x]
#[1] "a" "a" "b" "b" "c" "c"
您对模型矩阵的误解
在我看来，你认为模型矩阵是通过
获得的cbind(1L, as.integer(x))
# [,1] [,2]
#[1,] 1 1
#[2,] 1 1
#[3,] 1 2
#[4,] 1 2
#[5,] 1 3
#[6,] 1 3
这不是真的。以这种方式，您只是将因子变量视为数值变量。
模型矩阵以这种方式构建：
xlevels <- levels(x)
cbind(1L, match(x, xlevels[2], nomatch=0), match(x, xlevels[3], nomatch=0))
# [,1] [,2] [,3]
#[1,] 1 0 0
#[2,] 1 0 0
#[3,] 1 1 0
#[4,] 1 1 0
#[5,] 1 0 1
#[6,] 1 0 1
1和0分别表示“匹配”/“发生”和“不匹配”/“不发生”。
R例程model.matrix将通过易于阅读的列名和行名有效地为您完成此任务：
model.matrix(~x)
# (Intercept) xb xc
#1 1 0 0
#2 1 0 0
#3 1 1 0
#4 1 1 0
#5 1 0 1
#6 1 0 1
编写R函数以自行生成模型矩阵
我们可以编写名义例程mm来生成模型矩阵。虽然它的效率远低于model.matrix，但它可能有助于更好地消化这一概念。
mm <- function (x, contrast = TRUE) {
xlevels <- levels(x)
lst <- lapply(xlevels, function (z) match(x, z, nomatch = 0L))
if (contrast) do.call("cbind", c(list(1L), lst[-1]))
else do.call("cbind", lst)
}
例如，如果我们的因子y有5个级别：
set.seed(1); y <- factor(sample(1:5, 10, replace=TRUE), labels = letters[1:5])
y
# [1] b b c e b e e d d a
#Levels: a b c d e
str(y)
#Factor w/ 5 levels "a","b","c","d",..: 2 2 3 5 2 5 5 4 4 1
其有/无对比处理的模型矩阵分别为：
mm(y, TRUE)
# [,1] [,2] [,3] [,4] [,5]
# [1,] 1 1 0 0 0
# [2,] 1 1 0 0 0
# [3,] 1 0 1 0 0
# [4,] 1 0 0 0 1
# [5,] 1 1 0 0 0
# [6,] 1 0 0 0 1
# [7,] 1 0 0 0 1
# [8,] 1 0 0 1 0
# [9,] 1 0 0 1 0
#[10,] 1 0 0 0 0
mm(y, FALSE)
# [,1] [,2] [,3] [,4] [,5]
# [1,] 0 1 0 0 0
# [2,] 0 1 0 0 0
# [3,] 0 0 1 0 0
# [4,] 0 0 0 0 1
# [5,] 0 1 0 0 0
# [6,] 0 0 0 0 1
# [7,] 0 0 0 0 1
# [8,] 0 0 0 1 0
# [9,] 0 0 0 1 0
#[10,] 1 0 0 0 0
相应的model.matrix电话将分别为：
model.matrix(~ y)
model.matrix(~ y - 1)