Por que o gênero normalmente é codificado 0/1 em vez de 1/2, por exemplo?

Entendo a lógica da codificação para análise de dados. Minha pergunta abaixo é sobre o uso de um código específico.

• Existe uma razão pela qual o sexo é frequentemente codificado como 0 para o sexo feminino e 1 para o sexo masculino?
• Por que essa codificação é considerada 'padrão'?
• Compare isso com Feminino = 1 e Masculino = 2. Há algum problema com esta codificação?

Razões para preferir a codificação zero-um de variáveis ​​binárias:

• A média de uma variável zero-um representa a proporção na categoria representada pelo valor um (por exemplo, a porcentagem de homens).
• Em uma regressão simples que x é a variável zero-um, a constante tem uma interpretação direta (por exemplo, a é a média de y para mulheres).$y = a + bx$$x$$a$$y$
• Qualquer codificação de uma variável binária em que a diferença entre os dois valores seja um (ou seja, zero-um, mas também um-dois) fornece uma interpretação direta do coeficiente de regressão (por exemplo, é o efeito de passar de mulher para homem em y)$b$

Pontos variados sobre a codificação de variáveis ​​binárias:

• Qualquer codificação de uma variável binária que preserve a ordem das categorias (por exemplo, feminino = 0, masculino = 1; feminino = 1, masculino = 2; feminino = 1007, masculino = 2000; etc.) não afetará a correlação do variável binária com outras variáveis.
• Quaisquer tabelas que relatam uma variável binária dessa maneira devem deixar claro como a variável foi codificada. Também pode ser útil rotular a variável pela categoria que representa o valor de uma: por exemplo, em y = a + b * Malevez de y = a + b * Gender.
• Para algumas variáveis ​​binárias, uma categoria mais naturalmente deve ser codificada como uma. Por exemplo, ao observar a diferença entre tratamento e controle, o controle deve ser zero e o tratamento deve ser um, porque o coeficiente de regressão é melhor considerado como o efeito do tratamento.
• Inverter as categorias (por exemplo, tornar feminino = 1 e masculino = 0, em vez de feminino = 0 e masculino = 1) inverte o sinal de correlações e coeficientes de regressão.
• No caso de gênero, normalmente não há razão natural para codificar a variável feminino = 0, masculino = 1, versus masculino = 0, feminino = 1. No entanto, a convenção pode sugerir que uma codificação é mais familiar para um leitor; ou escolher uma codificação que torne o coeficiente de regressão positivo pode facilitar a interpretação. Além disso, em alguns contextos, um gênero pode ser considerado a categoria de referência; por exemplo, se você estava estudando o efeito de ser mulher em uma profissão dominada por homens sobre a renda, pode fazer sentido codificar masculino = 0 e feminino = 1, para falar do efeito de ser mulher.
• Escalar os coeficientes de regressão de maneiras ponderadas pode ter um efeito poderoso na interpretabilidade dos coeficientes de regressão. Andrew Gelman discute isso bastante; veja, por exemplo, seu artigo de 2008, Scaling input regression, dividindo por dois desvios padrão (PDF) em Statistics in Medicine , 27, 2865-2873.
• Codificar macho e fêmea como -1 e +1 é outra opção que pode fornecer coeficientes significativos (consulte "o que é codificação de efeitos" ).

Isso facilita a interpretação dos resultados. Suponha que você tenha alguns dados de altura:

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

e você fez uma regressão do formulário Height = a + b * Gender + Residual.

Com a variável dummy 0,1, você obteria uma estimativa de a170 sendo a altura média das mulheres e bde 10 sendo a diferença entre as alturas médias dos homens e das mulheres.

Com a variável 1,2 dummy, você obteria uma estimativa ade 160, que é mais difícil de interpretar.

Eu supus que isso acontecesse porque o tipo de campo frequentemente usado para armazenar sexo é um campo de bits, e os campos de bits no SQL podem ter apenas os valores 0 ou 1. Quando você despeja os dados, eles saem como 0 ou 1, e é por isso que você obtém esses valores específicos.

Se você quisesse usar 1 e 2, teria que usar um tipo de campo maior, que ocuparia mais espaço e, assim, tornaria o banco de dados um pouco maior.

Um professor sugeriu que codificássemos "biologicamente" as mulheres com 0 e os homens com 1 - para refletir a anatomia. Eu não acho que foi a coisa mais sensível ou PC a se dizer em uma classe, mas definitivamente fácil de lembrar quando se olha para um conjunto de dados cinco anos depois.

Muitas boas razões postadas até agora, mas também devem ser reflexivas. Por que você começaria a contar com 1? Isso torna muitos algoritmos numéricos muito mais complicados. A rotulagem começa em 0, não em 1. Se você ainda não está convencido disso, tenho um bom exemplo de por que é importante em http://madhadron.com/?p=69

Quanto ao motivo pelo qual as mulheres são 0 e os homens são 1, lembremos que, durante grande parte de sua história, um estatístico provavelmente era um homem hetero. Quando solicitado a nomear um sexo, o primeiro a se lembrar foi 'mulher'. Tudo depois disso foi provavelmente acidente histórico e racionalização.

A norma ISO / IEC 5218 atualiza essa noção com o seguinte mapa:

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

Isso é particularmente útil em idiomas em que 0 coage para um valor falso, como no JavaScript:

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

A maneira como vejo pessoalmente é fálicamente 0 representa tipicamente feminino, como é a forma do útero e considerado feminino ... em quase todas as ciências (ou seja, nos gráficos de linhagem de biologia / genética) círculos ou zeros representam fêmeas. Onde mais formas de arestas retas (triângulos, quadrados ou 1s) tendem a representar o sexo masculino. Esse simples entendimento facilitou sempre lembrar qual é qual para mim.

Embora no final do dia, se você é o único que codifica e analisa os dados, pode colocar os números desejados, geralmente desde que exista uma chave para qual variável dummy usada para a qual ela se torna irrelevante.