Категориальная переменная - Википедия - Categorical variable

В статистика, а категориальная переменная это Переменная который может принимать одно из ограниченного и обычно фиксированного числа возможных значений, отнесение каждого индивидуума или другой единицы наблюдения к определенной группе или номинальная категория на основе некоторых качественная недвижимость.[1] В информатике и некоторых разделах математики категориальные переменные называются перечисления или же перечислимые типы. Обычно (хотя и не в этой статье) каждое из возможных значений категориальной переменной упоминается как уровень. В распределение вероятностей связанный с случайный категориальная переменная называется категориальное распределение.

Категориальные данные это тип статистических данных состоящий из категориальных переменных или данных, которые были преобразованы в эту форму, например, как сгруппированные данные. В частности, категориальные данные могут быть получены из наблюдений, сделанных качественные данные которые суммируются как количество или перекрестные таблицы, или из наблюдений количественные данные сгруппированы в заданные интервалы. Часто чисто категориальные данные резюмируются в виде Таблица сопряженности. Однако, особенно при рассмотрении анализа данных, обычно используется термин «категориальные данные» для применения к наборам данных, которые, хотя и содержат некоторые категориальные переменные, могут также содержать некатегориальные переменные.

Категориальная переменная, которая может принимать ровно два значения, называется двоичная переменная или дихотомическая переменная; важным частным случаем является Переменная Бернулли. Категориальные переменные с более чем двумя возможными значениями называются политомические переменные; категориальные переменные часто считаются политомическими, если не указано иное. Дискретность лечит непрерывные данные как будто это было категорично. Дихотомизация обрабатывает непрерывные данные или политомические переменные, как если бы они были двоичными переменными. Регрессивный анализ часто рассматривает членство в категории с одним или несколькими количественными фиктивные переменные.

Примеры категориальных переменных

Примеры значений, которые могут быть представлены в категориальной переменной:

Обозначение

Для облегчения статистической обработки категориальным переменным могут быть присвоены числовые индексы, например 1 через K для Kкатегориальная переменная (т.е. переменная, которая может точно выражать K возможные значения). В целом, однако, числа произвольны и не имеют никакого значения, кроме простого предоставления удобной метки для определенного значения. Другими словами, значения категориальной переменной существуют на номинальная шкала: каждый из них представляет собой логически отдельную концепцию, не обязательно иметь смысл упорядоченный, и им нельзя манипулировать иначе, как с числами. Вместо этого допустимыми операциями являются эквивалентность, установить членство, и другие операции, связанные с множеством.

В результате основная тенденция набора категориальных переменных задается его Режим; ни иметь в виду ни медиана можно определить. В качестве примера для набора людей мы можем рассмотреть набор категориальных переменных, соответствующих их фамилиям. Мы можем рассмотреть такие операции, как эквивалентность (имеют ли два человека одинаковую фамилию), установить членство (есть ли у человека имя в данном списке), подсчет (сколько людей имеет данную фамилию) или найти режим ( какое имя встречается чаще всего). Однако мы не можем осмысленно вычислить «сумму» Смита + Джонсона или спросить, действительно ли Смит «меньше» или «больше» Джонсона. В результате мы не можем осмысленно спрашивать, какое «среднее имя» (среднее значение) или «среднее имя» (медиана) входит в набор имен.

Обратите внимание, что это игнорирует концепцию Алфавитный порядок Это свойство присуще не самим именам, а способу построения меток. Например, если мы напишем имена в Кириллица и рассмотрим кириллический порядок букв, мы можем получить другой результат вычисления "Smith Латинский алфавит; и если мы напишем имена в китайские иероглифы, мы вообще не можем осмысленно оценить "Smith порядковые переменные определено на порядковая шкала.

Количество возможных значений

Категоричный случайные переменные обычно описываются статистически категориальное распределение, что позволяет произвольно K-значная категориальная переменная, которая должна быть выражена с отдельными вероятностями, указанными для каждого из K возможные исходы. Такие многокатегорические категориальные переменные часто анализируются с использованием полиномиальное распределение, который подсчитывает частоту каждой возможной комбинации количества вхождений различных категорий. Регрессивный анализ по категоричным результатам достигается через полиномиальная логистическая регрессия, полиномиальный пробит или родственный тип дискретный выбор модель.

Категориальные переменные, которые имеют только два возможных результата (например, «да» против «нет» или «успех» против «неудачи»), известны как бинарные переменные (или же Переменные Бернулли). Из-за своей важности эти переменные часто считаются отдельной категорией с отдельным распределением ( Распределение Бернулли ) и отдельные регрессионные модели (логистическая регрессия, пробит регрессия, так далее.). В результате термин «категориальная переменная» часто используется для случаев с 3 или более исходами, иногда называемых многоходовой переменная в отличие от двоичной переменной.

Также можно рассматривать категориальные переменные, если количество категорий не фиксировано заранее. Например, для категориальной переменной, описывающей конкретное слово, мы можем не знать заранее размер словаря, и мы хотели бы допустить возможность встретить слова, которые мы еще не видели. Стандартные статистические модели, например, с участием категориальное распределение и полиномиальная логистическая регрессия, предположим, что количество категорий известно заранее, и изменить количество категорий на лету сложно. В таких случаях необходимо использовать более продвинутые методы. Примером может служить Процесс Дирихле, который попадает в сферу непараметрическая статистика. В таком случае логически предполагается, что существует бесконечное количество категорий, но в любой момент времени большинство из них (фактически, все, кроме конечного числа) никогда не были замечены. Все формулы сформулированы в терминах количества категорий, фактически просмотренных на данный момент, а не (бесконечного) общего количества существующих потенциальных категорий, и создаются методы для постепенного обновления статистических распределений, включая добавление «новых» категорий.

Категориальные переменные и регрессия

Категориальные переменные представляют собой качественный метод оценки данных (т.е. представляет категории или членство в группах). Их можно включить как независимые переменные в регрессивный анализ или как зависимые переменные в логистическая регрессия или же пробит регресс, но необходимо преобразовать в количественные данные чтобы иметь возможность анализировать данные. Это достигается за счет использования систем кодирования. Анализы проводятся таким образом, что только грамм -1 (грамм количество групп) закодированы. Это минимизирует избыточность, сохраняя при этом представление полного набора данных, поскольку при кодировании всего набора данных дополнительная информация не будет получена. грамм группы: например, при кодировании пола (где грамм = 2: мужчина и женщина), если мы закодируем только женщин, все оставшиеся обязательно будут мужчинами. В общем, группа, для которой не кодируется, представляет наименьший интерес.[2]

При анализе категориальных переменных в регрессии обычно используются три основные системы кодирования: фиктивное кодирование, кодирование эффектов и кодирование контраста. Уравнение регрессии принимает вид Y = ЬХ + а, куда б - наклон и дает вес, эмпирически присвоенный объяснителю, Икс объясняющая переменная, и а это Y-перехват, и эти значения принимают разные значения в зависимости от используемой системы кодирования. Выбор системы кодирования не влияет на F или же р2 статистика. Тем не менее, каждый выбирает систему кодирования на основе интересующего сравнения, поскольку интерпретация б значения будут отличаться.[2]

Фиктивное кодирование

Фиктивное кодирование используется, когда есть контроль или группу сравнения в уме. Таким образом, анализируются данные одной группы по отношению к группе сравнения: а представляет собой среднее значение для контрольной группы и б разница между средним значением экспериментальная группа и среднее значение контрольной группы. Предлагается выполнить три критерия для определения подходящей контрольной группы: группа должна быть устоявшейся группой (например, не должна относиться к «другой» категории), должна быть логическая причина для выбора этой группы для сравнения ( например, ожидается, что группа получит наивысший балл по зависимой переменной), и, наконец, размер выборки группы должен быть существенным и не маленьким по сравнению с другими группами.[3]

При фиктивном кодировании контрольной группе присваивается значение 0 для каждой кодовой переменной, интересующей группе для сравнения с контрольной группой присваивается значение 1 для ее указанной кодовой переменной, в то время как всем другим группам присваивается 0 для этой конкретной кодовая переменная.[2]

В б значения следует интерпретировать так, чтобы экспериментальная группа сравнивалась с контрольной группой. Следовательно, получение отрицательного значения b приведет к тому, что экспериментальная группа получит меньше, чем контрольная группа, по зависимая переменная. Чтобы проиллюстрировать это, предположим, что мы измеряем оптимизм среди нескольких национальностей и решили, что французы будут служить полезным средством контроля. Если мы сравниваем их с итальянцами, и мы наблюдаем негативный б Это говорит о том, что итальянцы в среднем получают более низкие оценки оптимизма.

В следующей таблице приведен пример фиктивного кодирования с Французский в качестве контрольной группы, а коды C1, C2 и C3 соответственно Итальянский, Немецкий, и Другой (ни французский, ни итальянский, ни немецкий):

НациональностьC1C2C3
Французский000
Итальянский100
Немецкий010
Другой001

Кодирование эффектов

В системе кодирования эффектов данные анализируются путем сравнения одной группы со всеми другими группами. В отличие от фиктивного кодирования, здесь нет контрольной группы. Скорее, сравнение проводится по среднему значению всех групп вместе (а сейчас большое среднее ). Таким образом, человек ищет данные не по отношению к другой группе, а, скорее, по отношению к большому среднему значению.[2]

Кодирование эффектов может быть взвешенным или невзвешенным. Кодирование взвешенных эффектов - это просто вычисление взвешенного общего среднего значения с учетом размера выборки по каждой переменной. Это наиболее уместно в ситуациях, когда выборка является репрезентативной для рассматриваемого населения. Кодирование невзвешенных эффектов наиболее целесообразно в ситуациях, когда различия в размере выборки являются результатом случайных факторов. Интерпретация б для каждого разная: при кодировании невзвешенных эффектов б - это разница между средним значением экспериментальной группы и общим средним значением, тогда как во взвешенной ситуации это среднее значение экспериментальной группы минус взвешенное общее среднее значение.[2]

При кодировании эффектов мы кодируем интересующую группу цифрой 1, как и при фиктивном кодировании. Принципиальное отличие состоит в том, что мы кодируем −1 для наименее интересующей нас группы. Поскольку мы продолжаем использовать грамм Схема кодирования -1, на самом деле это группа кодирования -1, которая не будет производить данные, отсюда тот факт, что мы меньше всего заинтересованы в этой группе. Всем остальным группам присваивается код 0.

В б значения следует интерпретировать так, чтобы экспериментальная группа сравнивалась со средним значением всех групп вместе (или взвешенным общим средним в случае кодирования взвешенных эффектов). Следовательно, давая отрицательный б value повлечет за собой то, что закодированная группа получит меньше, чем среднее значение всех групп по зависимой переменной. Используя наш предыдущий пример оценок оптимизма среди национальностей, если группа интересов - итальянцы, наблюдая отрицательный б значение предполагает, что они получают более низкую оценку оптимизма.

В следующей таблице приведен пример кодирования эффектов с помощью Другой как наименее интересная группа.

НациональностьC1C2C3
Французский001
Итальянский100
Немецкий010
Другой−1−1−1

Контрастное кодирование

Система контрастного кодирования позволяет исследователю напрямую задавать конкретные вопросы. Вместо того, чтобы система кодирования диктовала, что проводится сравнение (то есть с контрольной группой, как при фиктивном кодировании, или со всеми группами, как при кодировании эффектов), можно разработать уникальное сравнение, отвечающее конкретному вопросу исследования. Эта адаптированная гипотеза обычно основана на предыдущей теории и / или исследованиях. Предлагаемые гипотезы обычно следующие: во-первых, есть центральная гипотеза, которая постулирует большое различие между двумя наборами групп; вторая гипотеза предполагает, что внутри каждого набора различия между группами невелики. Через его априори сфокусированных гипотез, контрастное кодирование может привести к увеличению мощность из статистический тест по сравнению с менее направленными предыдущими системами кодирования.[2]

Определенные различия возникают, когда мы сравниваем наши априорные коэффициенты между ANOVA и регресс. В отличие от использования в ANOVA, где исследователь на усмотрение выбирает значения коэффициентов, которые либо ортогональный или неортогональные, в регрессии важно, чтобы значения коэффициентов, присвоенные при контрастном кодировании, были ортогональными. Кроме того, в регрессии значения коэффициентов должны быть либо в дробной, либо в десятичной форме. Они не могут принимать интервальные значения.

Построение кодов контраста ограничивается тремя правилами:

  1. Сумма коэффициентов контрастности для каждой переменной кода должна равняться нулю.
  2. Разница между суммой положительных коэффициентов и суммой отрицательных коэффициентов должна равняться 1.
  3. Кодированные переменные должны быть ортогональными.[2]

Нарушение правила 2 дает точный р2 и F значения, указывающие на то, что мы могли бы прийти к одинаковым выводам о том, есть ли существенная разница; однако мы больше не можем интерпретировать б значения как средняя разница.

Чтобы проиллюстрировать построение кодов контраста, рассмотрим следующую таблицу. Коэффициенты были выбраны, чтобы проиллюстрировать наши априорные гипотезы: Гипотеза 1: французы и итальянцы будут иметь больший оптимизм, чем немцы (французы = +0,33, итальянцы = +0,33, немцы = -0,66). Это проиллюстрировано присвоением одного и того же коэффициента французской и итальянской категориям и другого - немцам. Присвоенные знаки указывают на направление взаимоотношений (следовательно, отрицательный знак немцев свидетельствует об их более низких предполагаемых оценках оптимизма). Гипотеза 2: ожидается, что французы и итальянцы различаются по своим показателям оптимизма (французский = +0,50, итальянский = -0,50, немецкий = 0). Здесь присвоение немцам нулевого значения демонстрирует их невключение в анализ этой гипотезы. Опять же, присвоенные знаки указывают на предполагаемую взаимосвязь.

НациональностьC1C2
Французский+0.33+0.50
Итальянский+0.33−0.50
Немецкий−0.660

Бессмысленное кодирование

Бессмысленное кодирование происходит, когда вместо обозначенных «0», «1» и «-1» используются произвольные значения, которые использовались в предыдущих системах кодирования. Несмотря на то, что он дает правильные средние значения для переменных, использование бессмысленного кодирования не рекомендуется, поскольку это приведет к неинтерпретируемым статистическим результатам.[2]

Вложения

Вложения кодирование категориальных ценностей в многомерные ценный (иногда комплексный ) векторных пространств, обычно таким образом, что «похожим» значениям присваиваются «похожие» векторы, или в отношении какого-либо другого критерия, делающего векторы полезными для соответствующего приложения. Обычным частным случаем являются вложения слов, где возможные значения категориальной переменной - это слова в язык и словам с аналогичным значением присваиваются аналогичные векторы.

Взаимодействия

An взаимодействие может возникнуть при рассмотрении взаимосвязи между тремя или более переменными и описывает ситуацию, в которой одновременное влияние двух переменных на третью не является аддитивным. Взаимодействия могут возникать с категориальными переменными двумя способами: либо категориальными посредством взаимодействий категориальных переменных, либо категориальными посредством взаимодействий с непрерывными переменными.

Категориальные по взаимодействиям категориальных переменных

Этот тип взаимодействия возникает, когда у нас есть две категориальные переменные. Чтобы исследовать этот тип взаимодействия, можно было бы кодировать, используя систему, которая наиболее адекватно учитывает гипотезу исследователя. Произведение кодов дает взаимодействие. Затем можно вычислить б ценность и определить, является ли взаимодействие значимым.[2]

Категориальные по непрерывным взаимодействиям переменных

Обычный анализ уклонов апостериорный тест используется в регрессии, которая похожа на простой анализ эффектов в ANOVA, используемый для анализа взаимодействий. В этом тесте мы исследуем простые наклоны одной независимой переменной при определенных значениях другой независимой переменной. Такой тест не ограничивается использованием непрерывных переменных, но может также применяться, когда независимая переменная является категориальной. Мы не можем просто выбрать значения для проверки взаимодействия, как в случае с непрерывной переменной, из-за номинального характера данных (т. Е. В непрерывном случае можно было бы анализировать данные на высоком, умеренном и низком уровнях, присвоив 1 стандартное отклонение выше среднего, в среднем и на одно стандартное отклонение ниже среднего соответственно). В нашем категориальном случае мы использовали бы простое уравнение регрессии для каждой группы, чтобы исследовать простые наклоны. Обычной практикой является стандартизировать или центрировать переменные, чтобы сделать данные более интерпретируемыми при простом анализе уклонов; однако категориальные переменные никогда не следует стандартизировать или центрировать. Этот тест можно использовать со всеми системами кодирования.[2]

Смотрите также

Рекомендации

  1. ^ Yates, Daniel S .; Мур, Дэвид С; Старнес, Дарен С. (2003). Практика статистики (2-е изд.). Нью-Йорк: Freeman. ISBN  978-0-7167-4773-4. Архивировано из оригинал на 2005-02-09. Получено 2014-09-28.
  2. ^ а б c d е ж грамм час я j Cohen, J .; Cohen, P .; West, S.G .; Айкен, Л.С. (2003). Прикладной множественный регрессионный / корреляционный анализ для поведенческих наук (3-е изд.). Нью-Йорк, Нью-Йорк: Рутледж.
  3. ^ Харди, Мелисса (1993). Регрессия с фиктивными переменными. Ньюбери-Парк, Калифорния: Сейдж.

дальнейшее чтение