Tại sao giới tính thường được mã hóa 0/1 thay vì 1/2, chẳng hạn?

Tôi hiểu logic của mã hóa để phân tích dữ liệu. Câu hỏi của tôi dưới đây là về việc sử dụng một mã cụ thể.

• Có một lý do tại sao giới tính thường được mã hóa là 0 cho nữ và 1 cho nam?
• Tại sao mã hóa này được coi là "tiêu chuẩn"?
• So sánh điều này với Female = 1 và Male = 2. Có vấn đề gì với mã hóa này không?

Lý do thích mã hóa zero-one của các biến nhị phân:

• Giá trị trung bình của biến zero-one thể hiện tỷ lệ trong danh mục được biểu thị bằng giá trị một (ví dụ: tỷ lệ phần trăm của nam).
• Trong một hồi quy đơn giản trong đó là biến zero-one, hằng số có cách hiểu đơn giản (ví dụ: là giá trị trung bình của đối với nữ).$y = a + bx$$x$$a$$y$
• Bất kỳ mã hóa của biến nhị phân nào có sự khác biệt giữa hai giá trị là một (tức là zero-one, nhưng cũng là một) mang lại một sự giải thích đơn giản cho hệ số hồi quy (ví dụ: là hiệu ứng của việc chuyển từ nữ sang nam y).$b$

Các loại điểm về mã hóa các biến nhị phân:

• Bất kỳ mã hóa nào của biến nhị phân duy trì thứ tự của các danh mục (ví dụ: nữ = 0, nam = 1; nữ = 1, nam = 2; nữ = 1007, nam = 2000; v.v.) sẽ không ảnh hưởng đến tương quan của biến nhị phân với các biến khác.
• Bất kỳ bảng nào báo cáo một biến nhị phân theo cách này sẽ làm cho nó rõ ràng về cách biến được mã hóa. Nó cũng có thể hữu ích để gắn nhãn biến theo danh mục đại diện cho giá trị của một: ví dụ, y = a + b * Malethay vì y = a + b * Gender.
• Đối với một số biến nhị phân, một loại tự nhiên hơn nên được mã hóa thành một. Ví dụ, khi xem xét sự khác biệt giữa điều trị và kiểm soát, kiểm soát nên bằng 0 và điều trị nên là một, bởi vì hệ số hồi quy được coi là hiệu quả của điều trị.
• Lật các danh mục (ví dụ: làm cho nữ = 1 và nam = 0, thay vì nữ = 0 và nam = 1) sẽ lật các dấu hiệu của mối tương quan và hệ số hồi quy.
• Trong trường hợp giới tính, thông thường không có lý do tự nhiên nào để mã hóa biến nữ = 0, nam = 1, so với nam = 0, nữ = 1. Tuy nhiên, quy ước có thể gợi ý một mã hóa quen thuộc hơn với người đọc; hoặc chọn một mã hóa làm cho hệ số hồi quy dương có thể dễ dàng giải thích. Ngoài ra, trong một số bối cảnh, một giới tính có thể được coi là danh mục tham khảo; ví dụ, nếu bạn đang nghiên cứu ảnh hưởng của việc là nữ trong một nghề nghiệp thống trị của nam giới đối với thu nhập, thì có thể hiểu mã nam = 0 và nữ = 1, để nói về tác động của việc là nữ.
• Các hệ số hồi quy mở rộng theo các cách có suy nghĩ có thể có tác động mạnh mẽ đến khả năng diễn giải của các hệ số hồi quy. Andrew Gelman thảo luận về điều này khá nhiều; xem ví dụ đầu vào hồi quy quy mô giấy năm 2008 của ông bằng cách chia cho hai độ lệch chuẩn (PDF) trong Thống kê trong Y học , 27, 2865-2873.
• Mã hóa nam và nữ là -1 và +1 là một tùy chọn khác có thể cung cấp các hệ số có ý nghĩa (xem "mã hóa hiệu ứng là gì" ).

Nó làm cho nó dễ dàng hơn để giải thích kết quả. Giả sử bạn đã có một số dữ liệu chiều cao:

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

và bạn đã lấy một hồi quy của mẫu Height = a + b * Gender + Residual.

Với biến giả 0,1, bạn sẽ có được ước tính a170 là chiều cao trung bình của phụ nữ và b10 là chênh lệch giữa chiều cao trung bình của nam và nữ.

Với biến giả 1,2, bạn sẽ có được ước tính alà 160, khó diễn giải hơn.

Tôi đã giả định rằng điều này là do loại trường thường được sử dụng để lưu trữ giới tính là trường bit và các trường bit trong SQL chỉ có thể có các giá trị 0 hoặc 1. Khi bạn loại bỏ dữ liệu, nó xuất hiện dưới dạng 0 hoặc 1 và Vì vậy, đó là lý do tại sao bạn có được những giá trị cụ thể.

Nếu bạn muốn sử dụng 1 và 2, bạn phải sử dụng loại trường lớn hơn, sẽ chiếm nhiều không gian hơn và do đó làm cho toàn bộ cơ sở dữ liệu lớn hơn một chút.

Tôi đã có một giáo sư đề nghị chúng ta viết mã "về mặt sinh học" với phụ nữ là 0 và đàn ông là 1 - để phản ánh giải phẫu. Tôi không nghĩ đó là điều nhạy cảm nhất, hay PC để nói trong một lớp, nhưng chắc chắn dễ nhớ khi nhìn vào bộ dữ liệu 5 năm sau.

Nhiều lý do tốt được đăng cho đến nay, nhưng nó cũng nên được phản xạ. Tại sao bạn bắt đầu đếm ở 1? Nó làm cho rất nhiều thuật toán số phức tạp hơn nhiều. Dán nhãn bắt đầu từ 0, không phải 1. Nếu bạn chưa tin vào điều này, tôi có một ví dụ hay về lý do tại sao nó quan trọng tại http://madhadron.com/?p=69

Về lý do tại sao phụ nữ là 0 và đàn ông là 1, hãy nhớ rằng trong phần lớn lịch sử của nó, một nhà thống kê có khả năng là một người đàn ông thẳng thắn. Khi được yêu cầu đặt tên cho một giới tính, người đầu tiên nghĩ đến là "phụ nữ". Tất cả mọi thứ sau đó có lẽ là tai nạn lịch sử và hợp lý hóa.

Các tiêu chuẩn ISO / IEC 5218 cập nhật tiêu chuẩn khái niệm này với bản đồ sau:

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

Điều này đặc biệt hữu ích trong các ngôn ngữ có 0 ép buộc thành một giá trị sai, chẳng hạn như trong JavaScript:

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

Cách tôi nhìn nhận cá nhân là phallally 0 thường đại diện cho nữ, vì nó là hình dạng của tử cung và được coi là nữ tính ... trong hầu hết tất cả các ngành khoa học (ví dụ như trong biểu đồ phả hệ sinh học / di truyền học), hoặc số không đại diện cho nữ. Trường hợp càng nhiều hình dạng cạnh thẳng (hình tam giác, hình vuông hoặc 1) có xu hướng đại diện cho giới tính nam. Sự hiểu biết đơn giản này đã giúp tôi dễ dàng luôn nhớ cái nào phù hợp với tôi.

Mặc dù vào cuối ngày, nếu bạn là người mã hóa và tự phân tích dữ liệu, bạn có thể đặt bất kỳ số nào bạn muốn, miễn là có một khóa mà biến số giả mà bạn sử dụng, nó trở nên không liên quan.