Perché il genere è in genere codificato 0/1 anziché 1/2, ad esempio?

Comprendo la logica della codifica per l'analisi dei dati. La mia domanda che segue è sull'uso di un codice specifico.

• C'è un motivo per cui il genere è spesso codificato come 0 per la femmina e 1 per il maschio?
• Perché questa codifica è considerata "standard"?
• Confronta questo con Female = 1 e Male = 2. C'è un problema con questa codifica?

Motivi per preferire la codifica zero-one delle variabili binarie:

• La media di una variabile zero-one rappresenta la proporzione nella categoria rappresentata dal valore one (ad esempio, la percentuale di maschi).
• In una semplice regressione dove è la variabile zero-uno, la costante ha un'interpretazione semplice (ad esempio, è la media di per le femmine).x a $y = a + bx$$x$$a$$y$
• Qualsiasi codifica di una variabile binaria in cui la differenza tra i due valori è uno (cioè zero-uno, ma anche uno-due) fornisce un'interpretazione semplice del coefficiente di regressione (ad esempio, è l'effetto di passare da femmina a maschio su y).$b$

Punti assortiti sulla codifica delle variabili binarie:

• Qualsiasi codifica di una variabile binaria che preserva l'ordine delle categorie (ad es. Femmina = 0, maschio = 1; femmina = 1, maschio = 2; femmina = 1007, maschio = 2000; ecc.) Non influirà sulla correlazione del variabile binaria con altre variabili.
• Qualsiasi tabella che riporta una variabile binaria in questo modo dovrebbe chiarire come è stata codificata la variabile. Può anche essere utile etichettare la variabile in base alla categoria che rappresenta il valore di uno: ad esempio, y = a + b * Maleanziché y = a + b * Gender.
• Per alcune variabili binarie, una categoria più naturalmente dovrebbe essere codificata come una. Ad esempio, quando si osserva la differenza tra trattamento e controllo, il controllo dovrebbe essere zero e il trattamento dovrebbe essere uno, poiché il coefficiente di regressione è meglio considerato come l'effetto del trattamento.
• Capovolgendo le categorie (ad es., Rendendo femminile = 1 e maschio = 0, anziché femmina = 0 e maschio = 1), il segno delle correlazioni e dei coefficienti di regressione verrà invertito.
• Nel caso del genere, in genere non esiste un motivo naturale per codificare la variabile femminile = 0, maschio = 1, contro maschio = 0, femmina = 1. Tuttavia, la convenzione può suggerire che una codifica sia più familiare a un lettore; o la scelta di una codifica che renda positivo il coefficiente di regressione può facilitare l'interpretazione. Inoltre, in alcuni contesti, un genere può essere considerato la categoria di riferimento; per esempio, se stavi studiando l'effetto dell'essere donna in una professione dominata dagli uomini sul reddito, potrebbe avere senso codificare maschio = 0 e femmina = 1, per parlare dell'effetto dell'essere femmina.
• Il ridimensionamento dei coefficienti di regressione in modi ponderati può avere un forte effetto sull'interpretazione dei coefficienti di regressione. Andrew Gelman ne discute un bel po '; vedi per esempio il suo documento del 2008 Scaling input di regressione dividendo per due deviazioni standard (PDF) in Statistics in Medicine , 27, 2865-2873.
• Codificare maschio e femmina come -1 e +1 è un'altra opzione che può fornire coefficienti significativi (vedi "cos'è la codifica degli effetti" ).

Semplifica l'interpretazione dei risultati. Supponiamo di avere alcuni dati di altezza:

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

e hai preso una regressione del modulo Height = a + b * Gender + Residual.

Con la variabile fittizia 0,1 otterresti una stima di a170 che è l'altezza media delle donne e bdi 10 che è la differenza tra le altezze medie degli uomini e delle donne.

Con la variabile fittizia 1,2 otterresti una stima adi 160 che è più difficile da interpretare.

Avevo supposto che ciò fosse dovuto al fatto che il tipo di campo spesso utilizzato per archiviare il genere è un campo bit e i campi bit in SQL possono avere solo i valori 0 o 1. Quando si scaricano i dati, questi vengono visualizzati come 0 o 1 e quindi è per questo che ottieni quei valori particolari.

Se si desidera utilizzare 1 e 2, è necessario utilizzare un tipo di campo più grande, che occuperebbe più spazio e quindi rendere l'intero database leggermente più grande.

Un professore mi ha suggerito di codificare "biologicamente" con donne che sono 0 e uomini che sono 1 - per riflettere l'anatomia. Non penso sia stata la cosa più delicata, o PC, da dire in una classe, ma sicuramente facile da ricordare quando si guarda un set di dati 5 anni dopo.

Finora sono state pubblicate molte buone ragioni, ma dovrebbe anche essere riflessiva. Perché dovresti iniziare a contare a 1? Rende molti algoritmi numerici molto più complicati. L'etichettatura inizia da 0, non 1. Se non ne sei ancora convinto, ho un bell'esempio del perché è importante su http://madhadron.com/?p=69

Per quanto riguarda il motivo per cui le donne sono 0 e gli uomini sono 1, ricordiamo che per gran parte della sua storia, uno statistico era probabilmente un maschio etero. Quando è stato chiesto di nominare un sesso, il primo che mi è venuto in mente è stato "donna". Tutto ciò che seguì fu probabilmente un incidente storico e una razionalizzazione.

Lo standard ISO / IEC 5218 aggiorna questa nozione con la seguente mappa:

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

Ciò è particolarmente utile nelle lingue in cui 0 costringe a un valore falso, come in JavaScript:

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

Il modo in cui la vedo personalmente è fallicamente 0 in genere rappresenta la femmina, in quanto è la forma dell'utero, ed è considerata femminile ... in quasi tutti i circoli delle scienze (vale a dire in biologia / genetica) o gli zeri rappresentano le femmine. Dove più forme di bordi diritti (triangoli, quadrati o 1) tendono a rappresentare il genere maschile. Questa semplice comprensione ha reso facile ricordare sempre quale è per me.

Anche se alla fine della giornata, se sei l'unico che codifica e analizza i dati da solo, puoi inserire tutti i numeri che vuoi, generalmente finché c'è una chiave su quale variabile fittizia hai usato per cui, diventa irrilevante.