¿Por qué el género generalmente se codifica 0/1 en lugar de 1/2, por ejemplo?

Entiendo la lógica de la codificación para el análisis de datos. Mi pregunta a continuación es sobre el uso de un código específico.

• ¿Hay alguna razón por la cual el género a menudo se codifica como 0 para mujeres y 1 para hombres?
• ¿Por qué esta codificación se considera 'estándar'?
• Compare esto con Female = 1 y Male = 2. ¿Hay algún problema con esta codificación?

Razones para preferir la codificación cero-uno de las variables binarias:

• La media de una variable cero-uno representa la proporción en la categoría representada por el valor uno (por ejemplo, el porcentaje de hombres).
• En una regresión simple donde x es la variable cero uno, la constante tiene una interpretación directa (por ejemplo, a es la media de y para las mujeres).$y = a + bx$$x$$a$$y$
• Cualquier codificación de una variable binaria donde la diferencia entre los dos valores es uno (es decir, cero uno, pero también uno dos) da una interpretación directa del coeficiente de regresión (p. Ej., es el efecto de pasar de femenino a masculino en y)$b$

Varios puntos sobre la codificación de variables binarias:

• Cualquier codificación de una variable binaria que conserve el orden de las categorías (p. Ej., Femenino = 0, masculino = 1; femenino = 1, masculino = 2; femenino = 1007, masculino = 2000; etc.) no afectará la correlación de variable binaria con otras variables.
• Cualquier tabla que informe una variable binaria de esta manera debería dejar en claro cómo se codificó la variable. También puede ser útil etiquetar la variable por la categoría que representa el valor de uno: por ejemplo, en y = a + b * Malelugar de y = a + b * Gender.
• Para algunas variables binarias, una categoría más naturalmente debería codificarse como una. Por ejemplo, cuando se observa la diferencia entre el tratamiento y el control, el control debe ser cero y el tratamiento debe ser uno, porque el coeficiente de regresión se considera mejor como el efecto del tratamiento.
• Voltear las categorías (p. Ej., Haciendo femenino = 1 y masculino = 0, en lugar de femenino = 0 y masculino = 1) cambiará el signo de correlaciones y coeficientes de regresión.
• En el caso del género, generalmente no hay una razón natural para codificar la variable hembra = 0, hombre = 1, versus hombre = 0, mujer = 1. Sin embargo, la convención puede sugerir que una codificación es más familiar para un lector; o elegir una codificación que haga que el coeficiente de regresión sea positivo puede facilitar la interpretación. Además, en algunos contextos, un género puede considerarse como la categoría de referencia; por ejemplo, si estuvieras estudiando el efecto de ser mujer en una profesión dominada por hombres sobre los ingresos, podría tener sentido codificar hombre = 0 y mujer = 1, para hablar del efecto de ser mujer.
• Escalar los coeficientes de regresión de manera reflexiva puede tener un poderoso efecto sobre la interpretabilidad de los coeficientes de regresión. Andrew Gelman discute esto bastante; véase, por ejemplo, su artículo de 2008 Escalar entradas de regresión dividiendo por dos desviaciones estándar (PDF) en Estadísticas en medicina , 27, 2865-2873.
• La codificación masculina y femenina como -1 y +1 es otra opción que puede proporcionar coeficientes significativos (ver "qué es la codificación de efectos" ).

Hace que sea más fácil interpretar los resultados. Supongamos que tiene algunos datos de altura:

Woman A: 165
Woman B: 170
Woman C: 175
Man D: 170
Man E: 180
Man F: 190 

y tomaste una regresión de la forma Height = a + b * Gender + Residual.

Con la variable ficticia 0,1 obtendría una estimación de a170 que es la altura promedio de las mujeres y bde 10 la diferencia entre las alturas promedio de los hombres y las mujeres.

Con la variable ficticia 1,2 obtendría una estimación ade 160 que es más difícil de interpretar.

Supuse que esto se debía a que el tipo de campo que se usa a menudo para almacenar el género es un campo de bits, y los campos de bits en SQL solo pueden tener los valores 0 o 1. Cuando vuelca los datos, sale como 0 o 1, y entonces es por eso que obtienes esos valores particulares.

Si quisiera usar 1 y 2, tendría que usar un tipo de campo más grande, que ocuparía más espacio y, por lo tanto, haría que la base de datos completa fuera un poco más grande.

Un profesor me sugirió que codificáramos "biológicamente" con mujeres de 0 y hombres de 1 para reflejar la anatomía. No creo que fuera lo más sensible, o lo que se dice de PC en una clase, pero definitivamente fácil de recordar cuando se mira un conjunto de datos 5 años después.

Muchas buenas razones publicadas hasta ahora, pero también deberían ser reflexivas. ¿Por qué empezarías a contar a 1? Hace que muchos algoritmos numéricos sean mucho más complicados. El etiquetado comienza en 0, no en 1. Si aún no está convencido de esto, tengo un buen ejemplo de por qué es importante en http://madhadron.com/?p=69

En cuanto a por qué las mujeres son 0 y los hombres son 1, recordemos que durante gran parte de su historia, es probable que un estadístico sea un hombre heterosexual. Cuando se le pidió que nombrara un sexo, el primero que se le ocurrió fue 'mujer'. Todo después de eso probablemente fue un accidente histórico y una racionalización.

El estándar ISO / IEC 5218 actualiza esta noción con el siguiente mapa:

0 = not known,
1 = male,
2 = female,
9 = not applicable.

Esto es particularmente útil en lenguajes donde 0 coacciona a un valor falso, como en JavaScript:

if ( !user.gender ) {
    promptForGender();
}

La forma en que lo veo personalmente es fálicamente 0 representa típicamente femenino, ya que es la forma del útero, y se considera femenino ... en casi todas las ciencias (es decir, en cuadros de pedigrí de biología / genética), o los ceros representan a las mujeres. Mientras que las formas más rectas (triángulos, cuadrados o 1s) tienden a representar el género masculino. Esta simple comprensión me ha facilitado recordar siempre cuál es cuál para mí.

Aunque al final del día, si usted es el que codifica y analiza los datos usted mismo, puede poner los números que desee, generalmente siempre que haya una clave sobre qué variable ficticia usó para qué, se vuelve irrelevante.