数据分析中的哑变量问题，该怎么处理？

什么是虚拟变量？

虚拟变量又称哑变量，是人为设定的用于将分类变量引入模型中的方法。

为什么要使用虚拟变量

在回归分析中，自变量X既可以是定量数据也可以定类数据。回归分析计算时是将所有自变量X视为数字，但当数据为定类数据时，此时数字代表类别，数字大小本身没有比较意义。因此，这类数据在做回归分析时，需要设置成哑变量才能纳入回归分析正确分析数据。

如何使用虚拟变量

用一个例子说明：研究性别和工龄对基本工资的影响情况。

工龄是定量数据；性别为二分类数据，因而分析时性别不能直接放入回归模型，正确做法是将变量转化成取值为1和0的哑变量。

性别分为两类，因而需要设置2个虚拟变量（2列），分别表示男性和女性两个类别。

如果是男性，‘性别_男’虚拟变量取值为1，‘性别_女’虚拟变量取值为0。如果是女性则相反。

当变量分类超过两类时，也是类似的处理方式，在回归分析前将下面的“专业”类别转化为虚拟变量，结果如下图所示：

理科类取值=1代表专业为理科，0代表非理科

文科类取值=1代表专业为文科，0代表非文科

工科类取值=1代表专业为工科，0代表非工科

SPSSAU可直接一步生成虚拟变量，具体操作如下：

分析时，要注意少放入一个虚拟变量。如果分为两类就放入一个虚拟变量，三类就放入两个，以此类推。

原因在于虚拟变量包括数字0和1；0是对比参考项。如果2个类别都放入了，就没有参考类别了。

如何解释分析结果

由上表可知，回归模型通过F检验，性别_男一项P<0.01，说明性别对基础工资确实存在显著的影响关系。

模型公式为：月基本工资=2403.834 + 42.659*工龄 + 1377.873*性别_男

当“性别_男”取值为1表示男性的月工资回归方程，0表示女性的月工资回归方程。回归系数值为1377.873，因此说明相同工龄下，男性的月基本工资比女性多1377.88元。

相反，放入的分析项若为性别_女，回归系数值应为-1377.873，代表同工龄的条件下，女性的月基本工资比男性少1377.88元

哪些分析方法会使用到虚拟变量

通常情况下，回归分析，逐步回归，分层回归，Logistic回归，PLS回归、调节作用等这类影响关系研究的方法时，才可能涉及到虚拟变量设置。

①回归分析/logistic回归

回归分析设置请参考上面的案例，注意留一项做参考项。

②调节作用

调节作用中，自变量或调节变量可以是定量数据，也可能是定类数据。

如果自变量X或者调节变量Z为定类数据，通常需要进行虚拟(哑)变量后才能分析，此过程被SPSSAU自动化处理，只需在【问卷研究】--【调节作用】里设置调节作用类型。

其他说明

1、将虚拟变量放入回归中，一定要少放一个虚拟变量，否则系统会提示存在多重共线性问题。

2、选择的“参照组”不同，会影响回归系数的大小，从而可能得出不同的结论。

“参照组”优先考虑最容易解释的选项。如学科分文科、理科、其他，三项中可以选“其他”作为参照项，方便解释。

3、SPSSAU会默认生成标题，设置完成后可进行‘标题修改’。

更多干货内容可登录SPSSAU官网查看。

SPSSAU | 回归分析思路总结

疑问解答 | 线性回归常见问题汇总