逐步回归中虚拟变量的解释（变量名称旁边有 {0-1}）只是一个关于在逐步回归中解释我的虚拟变量的快速问题。
我有两个分类变量，每个变量有两个类别（下簇与上簇，以及男性与女性），编码为：男性 = 1，下簇 = 1。
我对下面屏幕截图中“参数”下分类变量名称旁边的 { 0 - 1 } 感到困惑。 以变量性别为例：这是否意味着值 1（男性）的系数为 0.947，或者值 0（女性）的系数为 0.947？
基础数据分析和建模数据探索和可视化回复：逐步回归中虚拟变量的解释（变量名称旁边有 {0-1}）你好@阿尔法星鱼74 ,
欢迎来到社区！
根据您使用的建模平台，名义因子的编码可能会有所不同。 您不需要自己对因素进行编码，您可以在“性别”列中保留级别“男/女”，或在“集群下层”列中保留“集群1/集群2”。
在具有“组合”规则的逐步平台中，分类变量以分层方式编码。 您在括号之间看到的值显示了按最能区分响应平均值的术语分组的水平。 在您的情况下，由于每个分类因子只有两个级别，因此您只能看到 {L1-L2}，其中 L1 和 L2 是因子的相应级别名称。
关于计算的参数估计值，这表示当您在考虑的因素上从级别 L2 转到 L1 时平均响应的一半差异（使用符号 {L1-L2}）。 因此，在“性别”的情况下，如果将级别从 1 更改为 0，则会导致平均响应增加相应估计值的 2 倍，即大约 1,896。
您可以在此处找到有关不同平台中因子名义编码的更多信息：具有名义效应和序数效应的模型
还有一个关于模型中名义因子的示例：具有名义项的模型示例
希望这个回答对你有帮助
回复：逐步回归中虚拟变量的解释（变量名称旁边有 {0-1}）嘿，非常感谢您的回复，我真的很感激！ 提供的链接很棒。
我认为让我再次猜测的是，当我单独运行名义变量时，看起来女性更加消极，但是当我将其添加到最终模型中时，看起来她们更加积极......不知道为什么符号从“-”到“+”
与
对于为什么会这样有什么想法吗？
回复：逐步回归中虚拟变量的解释（变量名称旁边有 {0-1}）你好@阿尔法星鱼74 ,
很高兴答案有帮助！
关于你的第二个问题，可能有两个原因可以解释为什么“性别”的参数估计不同：
- 您正在比较两个不包含相同效应的模型（通过高度不同的 R² 具有非常不同的可解释性性能），因此估计值会有所不同。 模型不是一个固定的方程，它会根据其包含的效果（以及建模/分析的类型）而变化。 在第一种情况下，每个响应都通过一个非常简单的模型进行建模，Comp Score = Intercept + a1x[Sex]。
在第二个中，您仍然需要估计相同的系数，但也需要来自“教育”、“村庄集群”和其他因素的系数。 因此，为了在不改变响应值的情况下考虑到这些附加因素的影响，“性别”的估计将会有所不同，截距值也是如此。
- 根据建模平台的不同，名义因子的编码不同，这也可以解释参数估计值的差异。 您可以通过“逐步”和“拟合模型”平台了解有关名义因子编码的更多详细信息：
我希望这个补充答案能够帮助您理解模型的差异，
