发帖
雷达卡
如何对分类变量进行量化，这个在回归建模或求距离的时候经常遇见。在此，我把这个问题分解成三个子问题，如下：
（1）对有序分类变量的量化。
（2）对逻辑变量的量化。
（3）对无序分类变量的量化。
首先，对有序分类变量的量化，这个比较简单，常用顺序编号代替具体的分类来量化。比如一次比赛有三个名次。小明得了第一名，小强得了第三名，小方得了第二名。对于这种情况，小明、小强、小方的名次可以用一个向量来表示A=（第一名，第三名，第二名）。为A编号得到向量B=（1，3，2）。在进行分析时，我们直接使用B就可以了。这是针对有序分类变量量化的一种处理思路。
其次，对于逻辑变量的量化，我们直接将逻辑值分别用0或1表示即可。但是需要注意到具体属性的业务含义，以免弄错。比如，属性‘是否男生’，对于值（男，女，男）这样的值，可以得到量化后的值（1，0，1）。同样的序列，如果针对属性‘是否女生’，则它的量化结果为（0，1，0）。这两个量化结果是完全不一样的。马上就会有人提出这样的问题，”如果属性不是逻辑判断，而是<性别>，那该怎么量化呢“，这其实是接着下面要讨论的量化方法。
最后，这里简单介绍一种针对无序分类变量的量化方法。就拿上一段落的一个问题来说，男和女表示性别，然后对这样的一个序列（男，女，男，男）该如何量化呢？我们可以这样考虑：这里性别为男的出现3次，性别为女的出现1次，男女出现次数之比为3：1。也就是说对性别这个属性而言，男的权重比女的权重要大。我们可以尝试将（男，女，男，男）序列，量化为（3，1，3，3），而通过求秩变为（2，1，2，2），等等。
思考：
Q1：请问Logistic回归时，类型较多的分类自变量一定要转为虚拟变量吗？如“教育水平”，如题，因为类别太多设虚拟变量就要增加好多自变量，那么这种类别比较多的变量该如何解决呢？如，“教育水平：文盲，小学，初中，高中，大专，大学及以上”，这些一定要设5个虚拟变量吗？可以用一个变量的1,2,3,4,5,6代替吗？
答：(1)如果分类变量“教育水平”有6个分类：“文盲”、“小学”、“初中”、“高中”、“大专”、“大学及以上”，显然需要（6-1）=5个虚拟变量。
(2)如果你嫌虚拟变量太多的话，可以合并分类。例如把“文盲”，“小学”合并为一个分类“小学及以下”，“初中”、“高中”、“大专”合并为一类“初中-大专”，这样合并以后就只剩下3类了，只需设置2个虚拟变量。当然合并分类需要根据问题的实际情况进行适当合并。
(3)不可以用一个变量的1,2,3,4,5,6代替！这样相当于把“教育水平”当做Interval变量，而不是当做Ordinal变量来处理。也就是加上了假设条件：“大学及以上”-“大专”=“大专”-“高中”=“高中”-“初中”=“初中”-“小学”=“小学”-“文盲”！按常识的话，这种限制条件显然很难成立。当然，在实际问题中，你可以对这个假设条件进行检验！
Q2：做Logit回归时，可能的因素比较多（包括很多虚拟变量），如何对这些变量进行合理筛选呢？
答：(1)如果建模数据集变量个数大于50的话，可以先筛选掉那些对目标变量影响不大的自变量。例如，可以对每个自变量做Logistic回归，然后计算相应的卡方值和p值。自己确定一个阈值（0.3等），删除掉卡方值很小的变量。
(2)如果某自变量缺失值的比例超过一定的值，也可删除掉。
(3)如果变量之间存在共线性，可用主成分分析来减少变量个数，同时处理掉复共线性。
(4)合并分类在实践中还可以用聚类分析来解决的。
(5)经过以上4种初步筛选处理，得到的建模数据集变量个数一般会少很多。在Logistic模型中，同样有很多类似于多元线性回归的变量筛选方法，如向前回归法，向后回归法，逐步回归法，全模型法等。而且，这些方法用统计软件很容易实现。一般采用逐步回归法或者全模型法建模。
以上资料摘自网络，仅用于学习交流，谢谢！
京公网安备 11010802022788号
