¿Por qué el género típicamente se codifica como 0/1 en vez de 1/2, por ejemplo?

Question

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 que el género se codifica a menudo como 0 para mujer y 1 para hombre?
• ¿Por qué se considera esta codificación 'estándar'?
• Compara esto con Mujer = 1 y Hombre = 2. ¿Hay algún problema con esta codificación?

Answer 1

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

• 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 $y = a + bx$ donde $x$ es la variable cero-uno, la constante tiene una interpretación directa (por ejemplo, $a$ es la media de $y$ para las mujeres).
• Cualquier codificación de una variable binaria donde la diferencia entre los dos valores sea uno (es decir, cero-uno, pero también uno-dos) da una interpretación directa al coeficiente de regresión (por ejemplo, $b$ es el efecto de pasar de mujer a hombre en y).

Puntos diversos sobre la codificación de variables binarias:

• Cualquier codificación de una variable binaria que conserve el orden de las categorías (por ejemplo, femenino = 0, masculino = 1; femenino = 1, masculino = 2; femenino = 1007, masculino = 2000; etc.) no afectará la correlación de la variable binaria con otras variables.
• Cualquier tabla que reporte una variable binaria de esta manera debe dejar claro cómo se codificó la variable. También puede ser útil etiquetar la variable por la categoría que representa el valor de uno: por ejemplo, y = a + b * Hombre en lugar de y = a + b * Género.
• Para algunas variables binarias, una categoría debería ser codificada como uno de manera más natural. Por ejemplo, al analizar la diferencia entre tratamiento y control, el control debería ser cero, y el tratamiento debería ser uno, porque el coeficiente de regresión se interpreta mejor como el efecto del tratamiento.
• Invertir las categorías (por ejemplo, hacer femenino = 1 y masculino = 0, en lugar de femenino = 0 y masculino = 1) cambiará el signo de las correlaciones y los coeficientes de regresión.
• En el caso del género, típicamente no hay una razón natural para codificar la variable femenino = 0, masculino = 1, en lugar de masculino = 0, femenino = 1. Sin embargo, la convención puede sugerir que una codificación es más familiar para el lector; o elegir una codificación que haga que el coeficiente de regresión sea positivo puede facilitar la interpretación. También, en algunos contextos, un género puede ser considerado como la categoría de referencia; por ejemplo, si se estuviera estudiando el efecto de ser mujer en una profesión dominada por hombres en los ingresos, podría tener sentido codificar masculino = 0 y femenino = 1, para hablar del efecto de ser mujer.
• Escalando los coeficientes de regresión de manera reflexiva puede tener un efecto poderoso en la interpretabilidad de los coeficientes de regresión. Andrew Gelman discute esto bastante; ver por ejemplo su documento de 2008 Escalar los inputs de regresión dividiendo por dos desviaciones estándar (PDF) en Statistics in Medicine, 27, 2865-2873.
• La codificación de masculino y femenino como -1 y +1 es otra opción que puede proporcionar coeficientes significativos (ver "qué es la codificación de efectos").

Answer 2

Facilita la interpretación de los resultados. Supongamos que tienes algunos datos de altura:

Mujer A: 165
Mujer B: 170
Mujer C: 175
Hombre D: 170
Hombre E: 180
Hombre F: 190 

y tomaste una regresión de la forma Altura = a + b * Género + Residual.

Con la variable ficticia 0,1 obtendrías una estimación de a de 170 como la altura promedio de las mujeres y de b de 10 como la diferencia entre las alturas promedio de los hombres y las mujeres.

Con la variable ficticia 1,2 obtendrías una estimación de a de 160, lo cual es más difícil de interpretar.

Answer 3

Yo había asumido que esto se debía a que el tipo de campo generalmente utilizado 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 se extrae los datos, salen como 0 o 1, y por eso obtienes esos valores en particular.

Si quisieras usar 1 y 2, tendrías que usar un tipo de campo más grande, lo que ocuparía más espacio y, por lo tanto, haría que toda la base de datos fuera ligeramente más grande.

Answer 4

Se han publicado muchas buenas razones hasta ahora, pero también debería ser reflexivo. ¿Por qué empezarías a contar en 1? Hace que muchos algoritmos numéricos sean mucho más complicados. El etiquetado comienza en 0, no en 1. Si aún no estás 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 fuera un hombre heterosexual. Cuando se le pedía nombrar un sexo, probablemente la primera que venía a la mente era 'mujer'. Todo lo demás seguramente fue un accidente histórico y racionalización.

Answer 5

La norma ISO/IEC 5218 actualiza esta noción con el siguiente mapa:

0 = desconocido,
1 = masculino,
2 = femenino,
9 = no aplicable.

Esto es particularmente útil en idiomas donde 0 se convierte en un valor falso, como en JavaScript:

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