虚拟变量(哑变量)回归-1.pptVIP

——虚拟变量的应用 多元线性回归 Contents 一、虚拟变量的建立 虚拟变量（Dummy Variable）：取值为0和1的变量，当案例属于一个虚拟 变量所代表的类别时，这个虚拟变量就赋值为1，否则变赋值为0 虚拟变量的建立 D1+D2+D3+D4=1，说明D1，D2，D3，D4存在线性相关，造成多重共线性 二、虚拟变量回归系数的意义 因变量为大学生的月支出，自变量有家庭月收入，年级，性别 建立回归方程： 虚拟变量回归系数的意义 虚拟变量回归系数的意义 三、虚拟变量回归系数的检验 补充问题 参照类的选择 根据研究者的选择偏好，无实质性影响 其他编码方法 效应编码（effect coding）、正交编码（orthogonal coding）、非正交编码（nonorthogonal coding） 效应编码 虚拟编码：定义参照类，回归系数表示各类与参照类均值的差 效应编码：其回归系数反映的是各类的平均值与样本平均值的差 四、SPSS实例操作 虚拟变量的建立 1 虚拟变量回归系数的意义 2 虚拟变量回归分析的检验 3 SPSS实例操作 4 Di = 1 ，是女性 = 0 ，不是女性 例1： 例2：大学生年级变量具有四个类别，如何构造？ 其中， D1=1，是大一，否则为0； D2=1，是大二，否则为0； D3=1，是大三，否则为0； D4=1，是大三，否则为0。 “虚拟变量陷阱” 解决办法： 原则：当一个分类量具有k个类别时，则仅引入k-1个虚拟变量。 当所有k-1个自变量都取0的时候，那这个案例就属于第k类，我们称这类为参照类，参照类不仅解决了共线性的问题，而且在分析回归结果时也有非常重要的意义 （0） 其中， DG2=1，是大二，否则为0； DG3=1，是大三，否则为0； DG4=1，是大三，否则为0。 DS=1，是女生，否则为0 （1） 参照类：大一男生（所有虚拟变量均取0） 变式1：大二男生（DG2=1，虚拟变量均取0） （2） 变式2：大一女生（DS=1，虚拟变量均取0） （3） 参照类中，b0为直线的截距，b1为直线斜率，即 INCOME 的回归系数 由式（1）到式（2），截距项增加了b2，因此b2就是大二男生比大一男生月支出高的部分；由式（1）到式（3），截距项增加了b4，因此b4就是大一女生比大一男生月支出高的部分。 差别截距：所有表示各类别虚拟变量的回归系数（bj）表示的是该类与参照类的均值之差。（对于序次变量还可计算相邻分类的边际效应，任意两类的边际效应） 1. 只考虑年级对月支出的影响 等价于 单因素方差分析（1-way ANOVA） 2. 同时考虑年级、性别对月支出的影响 等价于 双因素方差分析（2-way ANOVA） 只考虑主效应的双因素方差分析 3. 同时考虑年级、性别、家庭月收入的影响 等价于 协方差分析（ANCOVA） 含交互作用的饱和双因素方差分析 对整个模型的检验（F检验） H0：B1=B2=…=Bk=0 H1：B1，B2，…，Bk中至少有一个不为0 对各回归系数的检验（t检验） H0：Bj=0 H1：Bj≠0 对于虚拟变量，由于取值只能为0和1，所以检验的是取值为1的类别与参照类（所有取值为0）的平均值是否有显著性差异 虚拟变量回归只能做其他类和参照类的比较 直接对任意两个回归系数之差进行检验的方法： 1、建立无差异假设：H0：Bi=Bj； H1：Bi≠Bj 2、构造t统计量： 3、检验其显著性 其中 效应编码原则： 对于前k-1个效应变量，当案例属于该效应变量时，效应变量取值为1，不属于取值为0； 当案例属于最后一类不设虚拟变量的一类时，所有效应变量取-1 例：分析妇女的年龄（AGE）、文化程度（EDU）及居住地（AREA）状况对妇女曾生子女数（CEB）的影响。 其中，文化程度分为文盲或半文盲（1）、小学（2）、初中（3）、 高中（4）和大学（5）共五类 居住地分为城市（1）和农村（2）共两类。 在回归分析中，因变量不仅受量化变量的影响，还受定性变量的影响（如性别，国籍，居住地，文化程度等等） 量化这些定性变量的方法，是构造一个取值1或0 的虚拟变量，1代表该属性出现，0代表某一属性不出现。这种编码只取0和1两个值，平均数的就代表编码为1的这类案例占样本的比例，所以可以对其进行回归。 多重共线性：当自变量高度相关时，回归方程中的自变量就会相互削弱各自对因变量的边际影响