Чому, наприклад, стать зазвичай кодується 0/1, а не 1/2?

Я розумію логіку кодування для аналізу даних. Моє запитання нижче стосується використання певного коду.

• Чи є причина, чому стать часто кодується як 0 для жіночої та 1 для чоловічої?
• Чому це кодування вважається "стандартним"?
• Порівняйте це з Жіноча = 1 та Чоловіча = 2. Чи є проблема з цим кодуванням?

Причини віддавати перевагу нульовому кодуванню бінарних змінних:

• Середнє значення змінної нуля один являє собою пропорцію в категорії, представлене значенням один (наприклад, відсоток чоловіків).
• У простій регресії де x - нульова величина, константа має прямолінійну інтерпретацію (наприклад, a - середнє значення y для жінок).$y = a + bx$$x$$a$$y$
• Будь-яке кодування двійкової змінної, де різниця між двома значеннями одна (тобто нуль-одне, але також одне-два), дає прямолінійну інтерпретацію коефіцієнта регресії (наприклад, - ефект переходу від жінки до чоловіка на у).$b$

Різні точки щодо кодування бінарних змінних:

• Будь-яке кодування бінарної змінної, що зберігає порядок категорій (наприклад, жінка = 0, чоловік = 1; жінка = 1, чоловік = 2; жінка = 1007, чоловік = 2000; і т.д.), не вплине на кореляцію двійкова змінна з іншими змінними.
• Будь-які таблиці, які повідомляють про двійкову змінну таким чином, повинні давати зрозуміти, як кодова змінна. Також може бути корисно позначити змінну категорією, яка представляє значення одиниці: наприклад, y = a + b * Maleа не y = a + b * Gender.
• Для деяких бінарних змінних одна натуральна категорія повинна бути кодована як одна. Наприклад, дивлячись на різницю між лікуванням та контролем, контроль повинен дорівнювати нулю, а лікування - один, оскільки найкращим вважається коефіцієнт регресії як ефект від лікування.
• Перегортання категорій (наприклад, зробити жіноче = 1 і чоловіче = 0, а не жіноче = 0 і чоловіче = 1) переверне знак кореляцій та коефіцієнтів регресії.
• Що стосується статі, як правило, немає природних причин кодувати змінну жінки = 0, чоловіка = 1, проти чоловіка = 0, жінки = 1. Однак конвенція може запропонувати одне кодування більш знайоме читачеві; або вибір кодування, який робить коефіцієнт регресії позитивним, може полегшити інтерпретацію. Крім того, в деяких контекстах одна стать може вважатися референтною категорією; Наприклад, якщо ви вивчали вплив того, як жінка в професії, де переважають чоловіки, на дохід, можливо, має сенс кодувати чоловіка = 0, а жінки = 1, щоб говорити про вплив жінки.
• Коефіцієнти регресії масштабування продуманими способами можуть мати потужний вплив на інтерпретацію коефіцієнтів регресії. Ендрю Гельман обговорює це досить мало; див., наприклад, його статтю про регресію масштабування в статті 2008 р. шляхом поділу на два стандартних відхилення (PDF) у « Статистика статистики» , 27, 2865-2873.
• Кодування чоловіків і жінок як -1 і +1 - це ще один варіант, який може забезпечити значущі коефіцієнти (див. "Що таке кодування ефекту" ).

Це полегшує інтерпретацію результатів. Припустимо, у вас були деякі дані про висоту:

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

і ви взяли регрес форми Height = a + b * Gender + Residual.

За допомогою змінної 0,1 манекена ви отримаєте оцінку: a170 - це середній зріст жінок, а b10 - різниця середнього зросту серед чоловіків і жінок.

За допомогою змінної 1,2 манекена ви отримаєте оцінку a160, що важче інтерпретувати.

Я припускав, що це тому, що тип поля, який часто використовується для зберігання статі, - це бітове поле, і бітові поля в SQL можуть мати лише значення 0 або 1. Коли ви скидаєте дані, вони виходять як 0 або 1, і тому ви отримуєте саме ці значення.

Якщо ви хочете використовувати 1 і 2, вам доведеться використовувати більш великий тип поля, який займе більше місця і, таким чином, зробить всю базу даних трохи більшою.

У мене професор припускає, що ми кодуємо "біологічно", а жінки - 0, а чоловіки - 1 - для відображення анатомії. Я не думаю, що це було найчутливішим або персональним ПК, що можна сказати в класі, але, безумовно, легко запам’ятати, дивлячись на набір даних через 5 років.

Поки що викладено багато вагомих причин, але це також має бути рефлексивним. Чому б ви почали рахувати з 1? Це робить багато чисельних алгоритмів набагато складнішими. Маркування починається з 0, а не 1. Якщо ви ще не впевнені в цьому, у мене є прекрасний приклад того, чому це важливо на http://madhadron.com/?p=69

Щодо того, чому жінкам 0, а чоловікам - 1, згадаймо, що протягом більшої частини його історії статистик, ймовірно, був прямим чоловіком. Коли його попросили назвати стать, першою, яка прийшла в голову, була «жінка». Все після цього було, мабуть, історичною аварією та раціоналізацією.

Стандарт ISO / IEC 5218 оновлює це поняття наступною картою:

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

Це особливо корисно для мов, де 0 примушує до помилкового значення, наприклад у JavaScript:

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

Оскільки я особисто бачу це фалічно 0 зазвичай представляє саму жінку, оскільки вона є формою утроби і вважається жіночою ... майже в усіх науках (тобто в діаграмах родоводу біології / генетики) кола або нулі представляють жінок. Де більш прямі фігури (трикутники, квадрати або 1s), як правило, представляють чоловічу стать. Це просте розуміння дозволило легко запам'ятати, що саме для мене.

Хоча в кінці дня, якщо ви самі кодуєте та аналізуєте дані, ви можете вводити будь-які цифри, які ви хочете, як правило, доки є ключ, до якої макетної змінної ви користувались, це стає неважливим.