r - R 中的因子水平默认为 1 和 2 |虚拟变量

我正在从 Stata 过渡到 R。在 Stata 中，如果我将因子水平(比如-0 和 1)标记为(M 和 F)，则 0 和 1 将保持原样。此外，这是大多数软件(包括 Excel 和 SPSS)中虚拟变量线性回归所必需的。

但是，我注意到 R 默认因子水平为 1,2 而不是 0,1。我不知道为什么 R 会这样做，尽管内部回归(并且正确地)假定 0 和 1 作为因子变量。我将不胜感激任何帮助。

这是我所做的:

尝试 #1:

sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(1,0),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 2 1 2 1 1

似乎因子水平现在重置为 1 和 2。我相信 1 和 2s 是对此处因子水平的引用。但是，我丢失了原始值，即 0 和 1。

Try2:

sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(0,1),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 1 2 1 2 2

同上。我的 0 和 1 现在是 1 和 2。相当令人惊讶。为什么会发生这种情况。

Try3
现在，我想看看 1s 和 2s 是否有任何不良影响回归。所以，这就是我所做的:

这是我的数据的样子:

> head(data.frame(sassign$total_,sassign$gender))
  sassign.total_ sassign.gender
1            357              M
2            138              M
3            172              F
4            272              F
5            149              F
6            113              F

myfit<-lm(sassign$total_ ~ sassign$gender)

myfit$coefficients
    (Intercept) sassign$genderM
      200.63522        23.00606

所以，事实证明手段是正确的。在运行回归时，R 确实使用 0 和 1 值作为虚拟变量。

我确实检查了 SO 上的其他线程，但他们主要谈论 R 如何编码因子变量而没有告诉我原因。 Stata 和 SPSS 通常要求基变量为“0”。所以，我想问问这个。

我很感激任何想法。

最佳答案

简而言之，您只是混淆了两个不同的概念。 后面我会一一说明。

你在 str() 中看到的整数的含义

您从 str() 看到的是因子变量的内部表示。一个因子在内部是一个整数，其中该数字给出了向量 内级别的 位置。例如:

x <- gl(3, 2, labels = letters[1:3])
#[1] a a b b c c
#Levels: a b c

storage.mode(x)  ## or `typeof(x)`
#[1] "integer"

str(x)
# Factor w/ 3 levels "a","b","c": 1 1 2 2 3 3

as.integer(x)
#[1] 1 1 2 2 3 3

levels(x)
#[1] "a" "b" "c"

此类位置的常见用途是以最有效的方式执行 as.character(x):

levels(x)[x]
#[1] "a" "a" "b" "b" "c" "c"

你对模型矩阵的误解

在我看来，您认为模型矩阵是通过以下方式获得的

cbind(1L, as.integer(x))
#     [,1] [,2]
#[1,]    1    1
#[2,]    1    1
#[3,]    1    2
#[4,]    1    2
#[5,]    1    3
#[6,]    1    3

这不是真的。 在这种方式中，您只是将因子变量视为数值变量。

模型矩阵是这样构造的:

xlevels <- levels(x)
cbind(1L, match(x, xlevels[2], nomatch=0), match(x, xlevels[3], nomatch=0))
#     [,1] [,2] [,3]
#[1,]    1    0    0
#[2,]    1    0    0
#[3,]    1    1    0
#[4,]    1    1    0
#[5,]    1    0    1
#[6,]    1    0    1

1 和 0 分别表示“匹配”/“出现”和“不匹配”/“不出现”。

R 例程 model.matrix 将通过易于阅读的列名和行名高效地为您执行此操作:

model.matrix(~x)
#  (Intercept) xb xc
#1           1  0  0
#2           1  0  0
#3           1  1  0
#4           1  1  0
#5           1  0  1
#6           1  0  1

编写一个 R 函数来自己生成模型矩阵

我们可以编写一个名义例程 mm 来生成模型矩阵。尽管它比 model.matrix 效率低得多，但它可能有助于更好地理解这一概念。

mm <- function (x, contrast = TRUE) {
  xlevels <- levels(x)
  lst <- lapply(xlevels, function (z) match(x, z, nomatch = 0L))
  if (contrast) do.call("cbind", c(list(1L), lst[-1]))
  else do.call("cbind", lst)
  }

例如，如果我们有一个有 5 个级别的因子 y:

set.seed(1); y <- factor(sample(1:5, 10, replace=TRUE), labels = letters[1:5])
y
# [1] b b c e b e e d d a
#Levels: a b c d e
str(y)
#Factor w/ 5 levels "a","b","c","d",..: 2 2 3 5 2 5 5 4 4 1

其有/无对比处理的模型矩阵分别为:

mm(y, TRUE)
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    1    1    0    0    0
# [2,]    1    1    0    0    0
# [3,]    1    0    1    0    0
# [4,]    1    0    0    0    1
# [5,]    1    1    0    0    0
# [6,]    1    0    0    0    1
# [7,]    1    0    0    0    1
# [8,]    1    0    0    1    0
# [9,]    1    0    0    1    0
#[10,]    1    0    0    0    0

mm(y, FALSE)
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    0    1    0    0    0
# [2,]    0    1    0    0    0
# [3,]    0    0    1    0    0
# [4,]    0    0    0    0    1
# [5,]    0    1    0    0    0
# [6,]    0    0    0    0    1
# [7,]    0    0    0    0    1
# [8,]    0    0    0    1    0
# [9,]    0    0    0    1    0
#[10,]    1    0    0    0    0

相应的 model.matrix 调用将分别为:

model.matrix(~ y)
model.matrix(~ y - 1)

关于r - R 中的因子水平默认为 1 和 2 |虚拟变量，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/38678378/