Důvody upřednostňovat nulové kódování binárních proměnných:

• Střední hodnota proměnné nula představuje podíl v kategorii představovaný hodnotou jedna (např. procento mužů ).
• V jednoduché regresi $ y = a + bx $, kde $ x $ je proměnná nula jedna, má konstanta přímou interpretaci (např. $ a $ je průměr $ y $ pro ženy).
• Jakékoli kódování binární proměnné, kde je rozdíl mezi dvěma hodnotami jedna (tj. nula jedna, ale také jedna dvě), poskytuje přímou interpretaci regresního koeficientu (např. $ b $ je účinek přechodu od ženy k muži na y).

Různé body týkající se kódování binárních proměnných:

• Libovolné kódování binární proměnné, které zachovává pořadí kategorií (např. female = 0, male = 1; female = 1, male = 2; female = 1007, male = 2000; atd.) neovlivní korelaci binární proměnné s jinými proměnnými.
• Jakékoli tabulky, které vykazují binární proměnnou tímto způsobem, by měly objasnit, jak byla proměnná kódována. Může být také užitečné proměnnou označit podle kategorie, která představuje hodnotu jedné: např. y = a + b * Male místo y = a + b * Gender .
• U některých binárních proměnných by jedna kategorie měla být přirozeně kódována jako jedna. Například při pohledu na rozdíl mezi léčbou a kontrolou by měla být kontrola nulová a léčba by měla být jedna, protože regresní koeficient se nejlépe považuje za účinek léčby.
• Převrácení kategorií ( např. výroba female = 1 a male = 0, spíše než female = 0 a male = 1) převrátí znamení korelací a regresních koeficientů.
• V případě pohlaví obvykle neexistuje přirozený důvod kódovat proměnnou female = 0, male = 1, versus male = 0, female = 1. Konvence však může naznačovat, že jedno kódování je čtenáři více známé; nebo výběr kódování, které činí pozitivní regresní koeficient, může interpretaci usnadnit. V některých kontextech lze také jeden rod považovat za referenční kategorii; například pokud studujete vliv toho, že jste v profesi, v níž dominují muži, na příjmu ženy, mohlo by mít smysl kódovat male = 0 a female = 1, abyste mohli hovořit o efektu bytí ženy.
• Škálování regresních koeficientů promyšleným způsobem může mít silný vliv na interpretovatelnost regresních koeficientů. Andrew Gelman o tom hodně diskutuje; viz například jeho příspěvek z roku 2008 Měřítko regresních vstupů dělením dvěma standardními odchylkami (PDF) v Statistics in Medicine , 27, 2865-2873.
• Kódování muže a ženy jako -1 a +1 je další možnost, která může poskytnout smysluplné koeficienty (viz "co je kódování efektů").

Usnadňuje interpretaci výsledků. Předpokládejme, že máte nějaké údaje o výšce:

  Žena A: 165 Žena B: 170 Žena C: 175 Muž D: 170 Muž E: 180 Muž F: 190 

a vzali jste regrese tvaru Height = a + b * Gender + Residual .

S fiktivní proměnnou 0,1 byste získali odhad a 170 je průměrná výška žen a b 10 je rozdíl mezi průměrnými výškami mužů a žen.

S fiktivní proměnnou 1,2 byste získali odhad a 160, což je těžší interpretovat.

Předpokládal jsem, že to bylo proto, že typ pole, který se často používá k ukládání pohlaví, je bitové pole a bitová pole v SQL mohou mít pouze hodnoty 0 nebo 1. Když vyložíte data, vyjde jako 0 nebo 1, a proto získáte tyto konkrétní hodnoty.

Pokud byste chtěli použít 1 a 2, museli byste použít větší typ pole, které by zabralo více místa, a tím by se celá databáze o něco větší.

Nechal jsem profesora navrhnout, abychom kódovali „biologicky“, přičemž ženy byly 0 a muži 1 - aby odráželi anatomii. Nemyslím si, že to byla ta nejcitlivější věc na PC ve třídě, ale rozhodně snadno zapamatovatelná při pohledu na datovou sadu o 5 let později.

Zatím bylo zveřejněno mnoho dobrých důvodů, ale mělo by to být také reflexivní. Proč byste začali počítat od 1? Mnoho numerických algoritmů je mnohem komplikovanější. Označování začíná na 0, ne 1. Pokud o tom ještě nejste přesvědčeni, mám pěkný příklad, proč je to důležité na http://madhadron.com/?p=69

Co se týče toho, proč jsou ženy 0 a muži 1, pamatujme, že po většinu své historie byl statistik pravděpodobně přímým mužem. Když byli požádáni, aby pojmenovali sex, první, kdo mi přišel na mysl, byla „žena“. Všechno poté byla pravděpodobně historická nehoda a racionalizace.

Standard ISO / IEC 5218 aktualizuje tento pojem o následující mapu:

  0 = není známo, 1 = muž, 2 = žena, 9 = ne použitelné.  

To je užitečné zejména v jazycích, kde 0 vynucuje falešnou hodnotu, například v JavaScriptu:

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

To, jak to osobně vidím já, je phallically, 0 typicky představuje ženu, protože je to tvar lůna a je považován za ženský ... téměř ve všech vědních kruzích (tj. v grafech rodokmenu biologie / genetiky) kruzích nebo nuláchpředstavují ženy.Kde jako přímější tvary hran (trojúhelníky, čtverce nebo 1 s) mají tendenci reprezentovat mužské pohlaví.Toto jednoduché porozumění usnadnilo vždy si pamatovat, které je pro mě.

Ačkoli na konci dne, pokud kódujete a analyzujete data sami, můžete zadat libovolná čísla, obecně za předpokladu, že existuje klíč, pro kterou atrapu proměnné jste použili, stane se irelevantní.