关于回归分析中分类变量设定和判别问题，请高手指点！

各位老师和大侠：在做Logistic回归时，关于分类变量设定时，如果是数值类的分组变量，能否可以直接按连续变量进行回归，例如家庭年收入：2万以下=1，2~6万=2，6-10万=3，10万以上=4，然后把分组以后的取值1、2、3、4、5直接按连续变量放入回归，可以吗？如果想分析不同的收入组对因变量的影响，是否就有必要把家庭年收入按分类变量（虚拟变量）进行放入回归？两者有什么区别吗？谢盼！

你这里面家庭年收入是自变量是吧？如果是自变量，当然最好的的方法是把实际收入数值带入回归。如果只有这个1，2，3，4，5，那么把这个分组变量带入回归，也没问题，回归的结果也是体现随着收入的提高，对你的因变量有何影响。如果你要研究不同收入组对因变量的影响，那么可以为单独的收入组设置dummy variable，进行回归。这两种做法的区别，前者研究随收入变化对因变量的影响，后者是研究某一个具体收入组和因变量的关系。两种方法所表达的含义是不同的。

基本同意楼上的看法，但是不能把1、2、3、4、5直接放进回归方程中，因为这些数字没有实际含义。正确的做法是取各收入组的平均值，如两万以下=1万,2~6万=4万，当然，这样做与放入虚拟变量的不同，正如楼上所言！！

非常感谢！谢谢大家！

huyumei.hi 发表于 2014-9-7 15:10
基本同意楼上的看法，但是不能把1、2、3、4、5直接放进回归方程中，因为这些数字没有实际含义。正确的做法是 ...

不好意思，我觉得各取收入组的平均值是不可取的，这样得出的系数看似有意义，其实完全不准确。而且10万以上怎么算均值？没办法预计啊。把分组变量1，2，3，4，5直接带入回归是有意义的，回归结果体现的是随着收入提高，对dependent variable的影响。尽管这样回归系数不能体现量化的含义，但是性质是确定的。如果用均值，看似回归系数可以体现量化的意义，但是极为不准确，甚至会很误导。最好的办法还是用continuous variable，如果楼主数据只能提供categorial variable，那也是没办法的事。

有道理！

xingxf 发表于 2014-9-18 18:56
不好意思，我觉得各取收入组的平均值是不可取的，这样得出的系数看似有意义，其实完全不准确。而且10万以 ...

取均值确实是比较粗糙的做法，强烈建议楼主使用有序probit或有序logit~！！

取均值确实是比较粗糙的做法，强烈建议楼主使用有序probit或有序logit~！！

xingxf 发表于 2014-8-22 23:41
你这里面家庭年收入是自变量是吧？如果是自变量，当然最好的的方法是把实际收入数值带入回归。如果只有这个 ...

受用了，最近刚好在看分类变量和虚拟变量的关系~