dummykoodauksella

Dummykoodauksella tarkoitetaan tilastollisessa kontekstissa muuttujien muuntamista numeerisiksi niin, että kategoriset muuttujat voidaan sisällyttää tilastollisiin malleihin, kuten regressioihin ja luokitteluihin. Menetelmä mahdollistaa kategoristen arvojen vaikutusten arvioimisen paremmin sekä helpottaa yhtenäisten estimointien saamista.

Perusidea on luoda jokaisesta kategorian luokasta binäärinen muuttuja (0 tai 1). Usein käytetään k-1 muuttujaa, jos alkuperäisessä muuttujassa on k luokkaa, jolloin yksi luokka toimittaa referenssiluokan, ja muut luokat ovat verrattavissa siihen. Tämä estää ns. dummy-tilanteen eli täydellisen lineaarisen riippuvuuden. Esimerkki: muuttuja Väri, jossa on luokat punainen, sininen ja vihreä. Dummykoodauksessa voidaan ottaa punainen ja sininen mukaan erillisinä muuttujina, joissa 1 tarkoittaa kyseistä väriä ja 0 muutoin; vihreä toimii referenssiluokkana, jolloin sen arvoilla ei ole omia dummymuuttujiaan.

Käyttökohteet ja tulkinta ovat tärkeä osa dummykoodauksen hyödyntämistä. Dummylisättyjä muuttujia käytetään lineaarisessa ja logistisessa regressiossa sekä muissa malleissa, jolloin kunkin luokan vaikutus voidaan tulkita suhteessa referenssiluokkaan. Dummykoodaus soveltuu nominal- eli nimellislajeille; ordinaalisuusanalyysissä on käytössä myös erilaista kontrastointia. Valinta k-1 vs. k dummya riippuu mallin tulkinnasta ja kollineaarisuuden välttämisestä; monet ohjelmistot tarjoavat vaihtoehtoja, kuten “drop_first”-asetus, jolla saavutetaan k-1 koodaus.