Mengapa gender biasanya diberi kode 0/1 bukan 1/2, misalnya?

Saya mengerti logika pengkodean untuk analisis data. Pertanyaan saya di bawah ini adalah tentang penggunaan kode tertentu.

• Apakah ada alasan mengapa gender sering dikodekan sebagai 0 untuk wanita dan 1 untuk pria?
• Mengapa pengkodean ini dianggap 'standar'?
• Bandingkan ini dengan Wanita = 1 dan Pria = 2. Apakah ada masalah dengan pengkodean ini?

Alasan lebih suka nol-satu pengkodean variabel biner:

• Mean dari nol-satu variabel mewakili proporsi dalam kategori yang diwakili oleh nilai satu (misalnya, persentase laki-laki).
• Dalam regresi sederhana mana adalah variabel nol-satu, konstanta memiliki interpretasi langsung (misalnya, adalah rata-rata untuk wanita).x a $y = a + bx$$x$$a$$y$
• Setiap pengkodean variabel biner di mana perbedaan antara dua nilai adalah satu (yaitu, nol-satu, tetapi juga satu-dua) memberikan interpretasi langsung ke koefisien regresi (misalnya, adalah efek dari berpindah dari perempuan ke laki-laki pada y).$b$

Berbagai macam poin tentang pengkodean variabel biner:

• Setiap pengkodean variabel biner yang mempertahankan urutan kategori (misalnya, perempuan = 0, laki-laki = 1; perempuan = 1, laki-laki = 2; perempuan = 1007, laki-laki = 2000; dll.) Tidak akan mempengaruhi korelasi variabel biner dengan variabel lain.
• Setiap tabel yang melaporkan variabel biner dengan cara ini harus memperjelas bagaimana variabel dikodekan. Juga bermanfaat untuk memberi label pada variabel berdasarkan kategori yang mewakili nilai satu: misalnya, y = a + b * Malebukan y = a + b * Gender.
• Untuk beberapa variabel biner, satu kategori yang lebih alami harus dikodekan sebagai satu. Misalnya, ketika melihat perbedaan antara perlakuan dan kontrol, kontrol harus nol, dan pengobatan harus menjadi satu, karena koefisien regresi paling baik dianggap sebagai efek dari perawatan.
• Membalik kategori (misalnya, membuat wanita = 1 dan pria = 0, daripada wanita = 0 dan pria = 1) akan membalik tanda korelasi dan koefisien regresi.
• Dalam hal jenis kelamin, biasanya tidak ada alasan alami untuk mengkode variabel wanita = 0, pria = 1, versus pria = 0, wanita = 1. Namun, konvensi mungkin menyarankan satu pengkodean lebih akrab bagi pembaca; atau memilih pengkodean yang membuat koefisien regresi positif dapat memudahkan interpretasi. Juga, dalam beberapa konteks, satu jenis kelamin dapat dianggap sebagai kategori referensi; misalnya, jika Anda mempelajari pengaruh menjadi perempuan dalam profesi yang didominasi laki-laki terhadap pendapatan, mungkin masuk akal untuk mengkode laki-laki = 0, dan perempuan = 1, untuk berbicara tentang efek menjadi perempuan.
• Penskalaan koefisien regresi dengan cara yang bijaksana dapat memiliki efek yang kuat pada interpretabilitas koefisien regresi. Andrew Gelman membahas ini sedikit; lihat misalnya makalahnya tahun 2008 input regresi Scaling dengan membaginya dengan dua standar deviasi (PDF) dalam Statistics in Medicine , 27, 2865-2873.
• Pengkodean pria dan wanita sebagai -1 dan +1 adalah opsi lain yang dapat memberikan koefisien yang bermakna (lihat "apa itu pengkodean efek" ).

Itu membuatnya lebih mudah untuk menafsirkan hasil. Misalkan Anda memiliki beberapa data ketinggian:

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

dan Anda mengambil regresi formulir Height = a + b * Gender + Residual.

Dengan variabel dummy 0,1 Anda akan mendapatkan perkiraan a170 menjadi tinggi rata-rata wanita dan bdari 10 menjadi perbedaan antara ketinggian rata-rata pria dan wanita.

Dengan 1,2 variabel dummy Anda akan mendapatkan estimasi a160 yang lebih sulit untuk ditafsirkan.

Saya berasumsi bahwa ini adalah karena jenis bidang yang sering digunakan untuk menyimpan gender adalah bidang bit, dan bidang bit dalam SQL hanya dapat memiliki nilai 0 atau 1. Ketika Anda membuang data, itu muncul sebagai 0 atau 1, dan jadi itu sebabnya Anda mendapatkan nilai-nilai tertentu.

Jika Anda ingin menggunakan 1 dan 2, Anda harus menggunakan tipe bidang yang lebih besar, yang akan mengambil lebih banyak ruang, dan dengan demikian membuat keseluruhan database sedikit lebih besar.

Saya mempunyai seorang profesor yang menyarankan agar kita membuat kode "secara biologis" dengan wanita menjadi 0 dan pria 1 - untuk mencerminkan anatomi. Saya tidak berpikir itu hal yang paling sensitif, atau PC untuk dikatakan di kelas, tapi jelas mudah diingat ketika melihat dataset 5 tahun kemudian.

Banyak alasan bagus yang diposting sejauh ini, tetapi juga harus refleksif. Mengapa Anda mulai menghitung pada 1? Itu membuat banyak algoritma numerik jauh lebih rumit. Pelabelan dimulai dari 0, bukan 1. Jika Anda belum yakin akan hal ini, saya punya contoh yang bagus mengapa ini penting di http://madhadron.com/?p=69

Mengenai mengapa wanita adalah 0 dan pria adalah 1, mari kita ingat bahwa untuk sebagian besar sejarahnya, seorang ahli statistik kemungkinan besar adalah pria. Ketika ditanya untuk menyebutkan jenis kelamin, yang pertama kali muncul di benak adalah 'wanita'. Segalanya setelah itu mungkin merupakan kecelakaan historis dan rasionalisasi.

Standar ISO / IEC 5218 memperbarui gagasan ini dengan peta berikut:

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

Ini sangat berguna dalam bahasa di mana 0 memaksa untuk nilai yang salah, seperti dalam JavaScript:

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

Cara saya melihatnya secara pribadi adalah 0 secara fisik mewakili perempuan, karena itu adalah bentuk rahim, dan dianggap feminin ... di hampir semua ilmu (yaitu dalam bagan silsilah biologi / genetika) lingkaran, atau nol mewakili perempuan. Di mana bentuk tepi yang lebih lurus (segitiga, bujur sangkar, atau 1s) cenderung mewakili jenis kelamin laki-laki. Pemahaman sederhana ini membuatnya mudah untuk selalu mengingat mana yang bagi saya.

Meskipun pada akhirnya jika Anda adalah orang yang mengkode dan menganalisis data sendiri, Anda dapat meletakkan angka apa pun yang Anda inginkan, umumnya selama ada kunci untuk variabel dummy yang Anda gunakan, itu menjadi tidak relevan.