在SAS线性回归中，如何对4水平分类预测变量进行虚拟编码？

针对你4水平的race变量，下面分主流统计软件给出具体的虚拟编码实现方式，这些方法都能直接用于多元回归分析：

R语言 #

R的线性回归工具默认会自动处理分类变量的虚拟编码，不用手动操作：

• 默认编码：直接用lm()建模，函数会自动把race转为3个哑变量（以race的第一个因子水平为参照组）：

  # 假设你的数据框是df，other_predictors是其他预测变量的集合
  model <- lm(Clinical_indicator ~ race + other_predictors, data = df)
  

• 指定参照组：如果想换参照组，用relevel()调整因子水平的参照项：

  # 把"White"设为参照组（替换成你的实际水平名称）
  df$race <- relevel(df$race, ref = "White")
  model <- lm(Clinical_indicator ~ race + other_predictors, data = df)
  

• 手动生成哑变量：如果需要完全手动控制，用model.matrix()生成哑变量后合并建模：

  # 生成所有4个水平的哑变量（-1去掉截距项）
  race_dummies <- model.matrix(~ race - 1, data = df)
  # 合并到原数据，建模时排除原race变量
  df_new <- cbind(df, race_dummies)
  model <- lm(Clinical_indicator ~ . - race, data = df_new)
  

Python（statsmodels库） #

用statsmodels做回归时，需要确保race是分类类型，之后可以自动或手动生成哑变量：

• 默认自动编码：将race转为分类类型后，OLS模型会自动生成3个哑变量（以第一个水平为参照）：

  import statsmodels.api as sm
  import pandas as pd
  
  # 转换race为分类变量
  df['race'] = pd.Categorical(df['race'])
  # 添加截距项，指定自变量
  X = sm.add_constant(df[['race', 'age', 'bmi']]) # 替换age、bmi为你的其他预测变量
  # 拟合模型
  model = sm.OLS(df['Clinical_indicator'], X).fit()
  

• 指定参照组/手动生成：用pd.get_dummies()手动生成，通过drop_first=True保留3个哑变量（避免多重共线性）：

  # 生成哑变量，以"White"为参照（drop_first=True会去掉第一个水平）
  race_dummies = pd.get_dummies(df['race'], drop_first=True, prefix='race')
  # 合并自变量
  X = pd.concat([df[['age', 'bmi']], race_dummies], axis=1)
  X = sm.add_constant(X)
  model = sm.OLS(df['Clinical_indicator'], X).fit()
  

SPSS #

不管是图形界面还是语法，都能轻松实现虚拟编码：

• 图形界面操作：
  1. 点击分析→回归→线性，把Clinical_indicator选入「因变量」，race和其他预测变量选入「自变量」。
  2. 点击「分类」按钮，把race移到「分类协变量」列表，在「对比」下拉框选「指示符」（这就是虚拟编码），还能在「参照类别」里指定用第一个还是最后一个水平当参照。
• 语法命令：

  REGRESSION
    /DEPENDENT Clinical_indicator
    /METHOD=ENTER race age bmi  /* 替换age、bmi为你的其他预测变量 */
    /CATEGORICAL VARIABLES=race(INDICATOR)  /* 默认第一个水平为参照 */
    /* 若要指定最后一个水平为参照，用下面这句替换上一行 */
    /CATEGORICAL VARIABLES=race(INDICATOR(LAST))
  

关键注意点 #

• 虚拟编码会生成k-1个哑变量（k是分类水平数，这里4个水平生成3个），这是为了避免多重共线性（如果生成4个哑变量，会和回归的截距项完全共线，导致模型无法求解）。
• 参照组的选择建议结合业务逻辑，比如选样本量最大的种族、或者具有基线意义的类别（比如研究中的主流人群）。

内容的提问来源于stack exchange，提问作者Joy Y. Zhu