逐步迴歸中虛擬變數的解釋（變數名稱旁邊有 {0-1}）只是一個關於在逐步迴歸中解釋我的虛擬變數的快速問題。
我有兩個分類變量，每個變數有兩個類別（下簇與上簇，以及男性與女性），編碼為：男性 = 1，下簇 = 1。
我對下面螢幕截圖中「參數」下分類變數名稱旁邊的 { 0 - 1 } 感到困惑。 以變異性別為例：這是否意味著值 1（男性）的係數為 0.947，或值 0（女性）的係數為 0.947？
基礎資料分析與建模數據探索和視覺化回覆：逐步迴歸中虛擬變數的解釋（變數名稱旁邊有 {0-1}）你好@阿爾法星魚74 ,
歡迎來到社區！
根據您使用的建模平台，名目因子的編碼可能會有所不同。 您不需要自己對因素進行編碼，您可以在“性別”列中保留級別“男/女”，或在“集群下層”列中保留“集群1/集群2”。
在具有「組合」規則的逐步平台中，分類變數以分層方式編碼。 您在括號之間看到的值顯示了按最能區分回應平均值的術語分組的水平。 在您的情況下，由於每個分類因子只有兩個級別，因此您只能看到 {L1-L2}，其中 L1 和 L2 是因子的相應級別名稱。
關於計算的參數估計值，這表示當您在考慮的因素上從等級 L2 轉到 L1 時平均反應的一半差異（使用符號 {L1-L2}）。 因此，在「性別」的情況下，如果將等級從 1 更改為 0，則會導致平均響應增加相應估計值的 2 倍，即約 1,896。
您可以在此處找到有關不同平台中因子名義編碼的更多資訊：具有名義效應和序數效應的模型
還有一個關於模型中名義因子的範例：具有名義項的模型範例
希望這個回答對你有幫助
回覆：逐步迴歸中虛擬變數的解釋（變數名稱旁邊有 {0-1}）嘿，非常感謝您的回复，我真的很感激！ 提供的連結很棒。
我認為讓我再次猜測的是，當我單獨運行名義變數時，看起來女性更加消極，但是當我將其添加到最終模型中時，看起來她們更加積極......不知道為什麼符號從“-”到“+”
與
對於為什麼會這樣有什麼想法嗎？
回覆：逐步迴歸中虛擬變數的解釋（變數名稱旁邊有 {0-1}）你好@阿爾法星魚74 ,
很高興答案有幫助！
關於你的第二個問題，可能有兩個原因可以解釋為什麼「性別」的參數估計不同：
- 您正在比較兩個不包含相同效應的模型（透過高度不同的 R² 具有非常不同的可解釋性效能），因此估計值會有所不同。 模型不是一個固定的方程，它會根據其包含的效果（以及建模/分析的類型）而變化。 在第一種情況下，每個反應都透過一個非常簡單的模型進行建模，Comp Score = Intercept + a1x[Sex]。
在第二個中，您仍然需要估計相同的係數，但也需要來自「教育」、「村莊集群」和其他因素的係數。 因此，為了在不改變反應值的情況下考慮到這些附加因素的影響，「性別」的估計將會有所不同，截距值也是如此。
- 根據建模平台的不同，名目因子的編碼不同，這也可以解釋參數估計值的差異。 您可以透過「逐步」和「擬合模型」平台了解更多有關名目因子編碼的詳細資訊：
我希望這個補充答案能幫助您理解模型的差異，
