Pourquoi le sexe est-il généralement codé 0/1 plutôt que 1/2, par exemple?

Je comprends la logique du codage pour l'analyse des données. Ma question ci-dessous concerne l'utilisation d'un code spécifique.

• Y a-t-il une raison pour laquelle le sexe est souvent codé 0 pour les femmes et 1 pour les hommes?
• Pourquoi ce codage est-il considéré comme «standard»?
• Comparez cela avec Femelle = 1 et Masculin = 2. Y a-t-il un problème avec ce codage?

Raisons de préférer le codage zéro à un des variables binaires:

• La moyenne d'une variable zéro représente la proportion dans la catégorie représentée par la valeur un (par exemple, le pourcentage d'hommes).
• Dans une régression simple oùx a $y = a + bx$$x$ est la variable zéro, la constante a une interprétation simple (par exemple, est la moyenne de pour les femmes).$a$$y$
• Tout codage d'une variable binaire où la différence entre les deux valeurs est de un (c.-à-d. Zéro-un, mais aussi un-deux) donne une interprétation simple du coefficient de régression (par exemple, est l'effet du passage de la femme au mâle sur y).$b$

Points variés sur le codage des variables binaires:

• Tout codage d'une variable binaire qui préserve l'ordre des catégories (par exemple, femme = 0, homme = 1; femme = 1, homme = 2; femme = 1007, homme = 2000; etc.) n'affectera pas la corrélation de la variable binaire avec d'autres variables.
• Toutes les tables qui signalent une variable binaire de cette manière doivent indiquer clairement comment la variable a été codée. Il peut également être utile d'étiqueter la variable par la catégorie qui représente la valeur d'une: par exemple, y = a + b * Maleplutôt que y = a + b * Gender.
• Pour certaines variables binaires, une catégorie devrait plus naturellement être codée comme une seule. Par exemple, lorsque l'on examine la différence entre le traitement et le contrôle, le contrôle doit être nul et le traitement doit être un, car le coefficient de régression est mieux considéré comme l'effet du traitement.
• Inverser les catégories (par exemple, en faisant femelle = 1 et masculin = 0, plutôt que femelle = 0 et masculin = 1) inversera le signe des corrélations et des coefficients de régression.
• Dans le cas du sexe, il n'y a généralement aucune raison naturelle de coder la variable femelle = 0, mâle = 1, contre mâle = 0, femelle = 1. Cependant, la convention peut suggérer qu'un codage est plus familier au lecteur; ou le choix d'un codage qui rend le coefficient de régression positif peut faciliter l'interprétation. De plus, dans certains contextes, un sexe peut être considéré comme la catégorie de référence; par exemple, si vous étudiez l'effet d'être une femme dans une profession à prédominance masculine sur le revenu, il pourrait être judicieux de coder homme = 0 et femme = 1, afin de parler de l'effet d'être femme.
• La mise à l'échelle des coefficients de régression de manière réfléchie peut avoir un effet puissant sur l'interprétabilité des coefficients de régression. Andrew Gelman en discute assez longuement; voir par exemple son article 2008 Scaling regression inputs by dividing by two standard deviations (PDF) in Statistics in Medicine , 27, 2865-2873.
• Le codage masculin et féminin de -1 et +1 est une autre option qui peut fournir des coefficients significatifs (voir "qu'est-ce que le codage d'effet" ).

Cela facilite l'interprétation des résultats. Supposons que vous disposiez de données sur la hauteur:

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

et vous avez fait une régression du formulaire Height = a + b * Gender + Residual.

Avec la variable factice 0,1, vous obtiendriez une estimation de a170 pour la taille moyenne des femmes et bde 10 pour la différence entre les hauteurs moyennes des hommes et des femmes.

Avec la variable fictive 1,2, vous obtiendriez une estimation ade 160, ce qui est plus difficile à interpréter.

J'avais supposé que c'était parce que le type de champ souvent utilisé pour stocker le genre est un champ de bits, et les champs de bits dans SQL ne peuvent avoir que les valeurs 0 ou 1. Lorsque vous videz les données, elles apparaissent sous la forme 0 ou 1, et c'est pourquoi vous obtenez ces valeurs particulières.

Si vous voulez utiliser 1 et 2, vous devez utiliser un type de champ plus grand, ce qui prendrait plus de place et rendrait donc la base de données légèrement plus grande.

Un professeur m'a suggéré de coder "biologiquement" avec des femmes de 0 et des hommes de 1 - pour refléter l'anatomie. Je ne pense pas que ce soit la chose la plus sensible, ou PC à dire dans une classe, mais certainement facile à retenir lorsque l'on regarde un ensemble de données 5 ans plus tard.

De nombreuses bonnes raisons ont été affichées jusqu'à présent, mais elles devraient également être réflexives. Pourquoi voudriez-vous commencer à compter à 1? Cela rend beaucoup d'algorithmes numériques beaucoup plus compliqués. L'étiquetage commence à 0, pas à 1. Si vous n'êtes pas encore convaincu de cela, j'ai un bel exemple de pourquoi c'est important sur http://madhadron.com/?p=69

Quant à savoir pourquoi les femmes sont 0 et les hommes 1, rappelons-nous que pendant une grande partie de son histoire, un statisticien était probablement un homme hétéro. Lorsqu'on lui a demandé de nommer un sexe, le premier qui me vient à l'esprit est «femme». Tout ce qui a suivi était probablement un accident historique et une rationalisation.

La norme ISO / IEC 5218 met à jour cette notion avec la carte suivante:

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

Ceci est particulièrement utile dans les langues où 0 contraint à une valeur fausse, comme en JavaScript:

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

La façon dont je le vois personnellement est phalliquement 0 représente généralement une femme, car c'est la forme de l'utérus, et considéré comme féminin ... dans presque toutes les sciences (c'est-à-dire dans les tableaux généalogiques de biologie / génétique), ou les zéros représentent les femmes. Alors que les formes plus droites (triangles, carrés ou 1) ont tendance à représenter le sexe masculin. Cette simple compréhension a rendu facile de toujours se rappeler ce qui est pour moi.

Bien qu'à la fin de la journée, si vous êtes le seul à coder et à analyser les données vous-même, vous pouvez mettre les chiffres que vous voulez, généralement tant qu'il y a une clé pour quelle variable fictive vous avez utilisé pour laquelle, cela devient non pertinent.