什么决定分类参数的顺序？

Question

我正在尝试将statsmodels中的GLMM包裹起来。

我的数据集具有多个类别变量。其中两个是“分层的”，因此我的设计矩阵如下所示：

import patsy
df = patsy.demo_data('a', 'b', 'c', 'x')

_, exog = patsy.dmatrices("x ~ 0 + a:b + c", data=df)
exog

>>> DesignMatrix with shape (8, 5)
>>>   c[c1]  c[c2]  b[T.b2]  a[T.a2]:b[b1]  a[T.a2]:b[b2]
>>>       1      0        0              0              0
>>>       0      1        0              0              0
>>>       1      0        1              0              0
>>>       0      1        1              0              0
>>>       1      0        0              1              0
>>>       0      1        0              1              0
>>>       1      0        1              0              1
>>>       0      1        1              0              1
>>>   Terms:
>>>     'c' (columns 0:2)
>>>     'a:b' (columns 2:5)

我希望将四个a:b情况编码为“基本截距”（如果这是正确的单词），而不是c情况。也就是说，我希望将其编码为这种形式，但要使用c：

DesignMatrix with shape (8, 4)
  a[a1]:b[b1]  a[a2]:b[b1]  a[a1]:b[b2]  a[a2]:b[b2]
            1            0            0            0
            1            0            0            0
            0            0            1            0
            0            0            1            0
            0            1            0            0
            0            1            0            0
            0            0            0            1
            0            0            0            1
  Terms:
    'a:b' (columns 0:4)

问题1：这是否有意义？我的想法是，由于a:b对应于四个不同的实验条件，因此使推理更加容易。 （c对应性别）。

问题2：如何说服statsmodels / patsy成为“单人” a:b而不是c？