Variables ficticias / Variable indicadora: definición simple, ejemplos

Actualizado el 18 de octubre de 2022, por Luis Benites.

Análisis de regresión.

¿Qué son las variables ficticias?

Las variables ficticias (a veces denominadas variables indicadoras ) se utilizan en análisis de regresión y análisis de clase latente . Como su nombre lo indica, estas variables son atributos artificiales y se utilizan con dos o más categorías o niveles. Se utiliza cuando desea trabajar con variables categóricas que no tienen una relación cuantificable entre sí.

Por ejemplo, la raza puede clasificarse en caucásica, afroamericana, asiática, hispana, otra. Si asigna los números del 1 al 5 para estas categorías al realizar el análisis de regresión, los resultados no tendrían ningún sentido (¿es la categoría «Otro» de alguna manera 5 veces la categoría «Caucásica»?). Sin embargo, si crea una variable llamada Caucásico y asigna la variable ficticia 1 para que signifique «es caucásico» y 0 para que signifique «no es caucásico», entonces puede comenzar a ver cómo las variables ficticias son útiles.

En el análisis de clases latentes , el término variable indicadora significa algo más específico, aunque sigue siendo una variable artificial. Un conjunto de variables observadas puede “indicar” la presencia de una o más variables latentes (ocultas) , de ahí el término variable indicadora .

Codificación de variables categóricas con múltiples niveles

Si tiene una variable categórica con más de dos niveles (los grupos o los niveles son grupos diferentes en la misma variable independiente ), es necesario crear varias variables ficticias. En el ejemplo anterior, la variable categórica «Raza» tiene cinco niveles (caucásico, afroamericano, asiático, hispano, otro). La fórmula k-1 se utiliza para decidir cuántas variables ficticias codificar, donde «k» es el número de niveles. En otras palabras, solo cuatro de estos cinco niveles están codificados con variables ficticias. ¿Qué variable debería dejar de lado? Por lo general, es el grupo más grande con el que se compararán todos los demás. En este ejemplo, supongamos que se trata de algún tipo de datos para la Ciudad de México, México. el grupo más grande sería el hispano y ese sería el nivel que quedara fuera. En última instancia, qué variable no está codificada con una variable ficticia depende de usted, el investigador, y con qué variable está comparando las demás.

Referencias

Edwards, A. (1976). Una introducción a la regresión lineal y la correlación . WH Freeman
Everitt, BS; Skrondal, A. (2010), The Cambridge Dictionary of Statistics , Cambridge University Press.