统计百科 ·
哑变量编码（Dummy Coding）怎么做？— k-1变量、参照组选择与论文报告完整指南
统计百科：深解哑变量编码（Dummy Coding）全流程——k类设k-1个哑变量的逻辑、参照组如何选择、与效果编码（Effect Coding）的本质差异、回归系数的解读，附可直接套进论文的APA 7th报告句式与FAQ。
把类别变量（如学历、地区、专业）放进线性回归时，最常见的陷阱不是数学，而是编码逻辑：为什么 k 个类别只设 k-1 个哑变量？参照组随便选还是有讲究？回归系数到底在比较什么？哑变量和效果编码（Effect Coding）哪个更适合你的研究问题？本文从原理到 APA 7th 报告格式一步到位，给出可直接套用的论文句式。
你的哑变量编码有这些问题吗？
导师或审稿人最常反馈的哑变量错误：
- "k 个类别设了 k 个哑变量，模型出现完全多重共线性（哑变量陷阱），请修正"
- "参照组选择没有说明理由，建议说明选取依据"
- "回归系数解读写成了均值差异，但用的是效果编码，解读方式不同"
- "方法章节缺少编码说明，请注明参照组和编码方案"
- "哑变量与连续变量的交互项缺乏对编码方案的说明"
这些问题集中在"类别变量进入回归"这一准备步骤，本文专门解决它。
一、为什么类别变量不能直接进回归？
线性回归要求预测变量是数值型，且数值之间的差距有实质含义（1 和 2 的差 = 2 和 3 的差）。
若把学历直接编码为 1=高中、2=本科、3=硕士以上，回归会假设"硕士 - 本科的效应 = 本科 - 高中的效应"，这个等距假设通常不成立。
解决方法：把类别变量转化为一组 0/1 的二元变量（哑变量），每个哑变量只回答"是否属于该类别"，不施加任何数值距离假设。
二、k-1规则：哑变量陷阱与完全多重共线性
核心规则
k 个类别 → 设 k-1 个哑变量，其中第 k 个类别作为参照组（Reference Group）
为什么不是 k 个？
假设 k=3（高中、本科、硕士），设 3 个哑变量 D1、D2、D3：
| 学历 | D1(高中) | D2(本科) | D3(硕士) |
|---|---|---|---|
| 高中 | 1 | 0 | 0 |
| 本科 | 0 | 1 | 0 |
| 硕士 | 0 | 0 | 1 |
注意：D1 + D2 + D3 = 1（每行恰好一个1），这意味着三列线性相关，回归矩阵不可逆，产生完全多重共线性（完全哑变量陷阱），SPSS/R 会自动删除一列或报错。
去掉 D3（将"硕士"设为参照组），只保留 D1 和 D2，模型才能正常估计：
| 学历 | D1(高中) | D2(本科) | 含义 |
|---|---|---|---|
| 高中 | 1 | 0 | 相对于硕士，是否为高中 |
| 本科 | 0 | 1 | 相对于硕士，是否为本科 |
| 硕士 | 0 | 0 | 参照组（全0行） |
编码规则汇总
| 类别数 k | 哑变量数 | 参照组 |
|---|---|---|
| 2（男/女） | 1 | 任意一组 |
| 3（高中/本科/硕士） | 2 | 硕士（或研究者指定组） |
| 4（一线/二线/三线/农村） | 3 | 农村（或对照组） |
| k | k-1 | 第 k 个类别 |
三、参照组如何选择
参照组的选择不影响模型整体拟合（R²、F 值不变），但直接决定每个回归系数的解读，因此需要有逻辑依据。
选择原则
原则一：选择最自然的"基准"或"对照"
- 实验设计：选对照组（Control Group）作为参照
- 干预研究：选"未干预"组或"标准治疗"组
- 时间序列：选基准期（Baseline Period）
原则二：选择理论意义上最重要的比较对象
研究"不同学历对收入的影响"，若理论预测以本科为基准比较高中和硕士，则选本科为参照组，使系数直接回答"相对于本科学历，高中/硕士的收入差异"。
原则三：选择样本量最大的组
参照组样本量越大，以其为基准的比较越稳定（标准误更小）。当无明确理论依据时，选最大组是稳妥的默认做法。
原则四：选择最"中间"或"均值"水平的组（尤其是有序类别）
对于有序类别（如低/中/高收入），选"中"作参照，系数会分别描述低于中值和高于中值的差异，解读更对称。
参照组选择对系数的影响示例
设因变量为月收入（元），学历三分类（高中/本科/硕士），以本科为参照：
| 变量 | B | SE | beta | t | p |
|---|---|---|---|---|---|
| 常数（截距） | 8,240 | 320 | 25.75 | <.001 | |
| D_高中（vs 本科） | -2,180 | 410 | -.28 | -5.32 | <.001 |
| D_硕士（vs 本科） | +3,650 | 480 | .41 | 7.60 | <.001 |
系数解读：控制其他变量后，高中学历月收入比本科低 2,180 元（p<.001）；硕士比本科高 3,650 元（p<.001）。本科的预测均值由截距 8,240 元直接给出。
若改以高中为参照，截距变为 6,060 元（即高中的预测均值），两个哑变量系数变为"本科比高中高 2,180"和"硕士比高中高 5,830"。模型整体 F 值、R² 、预测值完全不变，只是比较的基准不同。
四、回归系数的正确解读
哑变量编码下，回归系数的含义非常精确：
B_Di = 第 i 组的调整后均值 - 参照组的调整后均值
"调整后"意思是：在控制模型中其他所有变量后的均值差异。
简单回归（只有哑变量）中
截距 = 参照组的均值 B_Di = 第 i 组均值与参照组均值之差
多元回归（含其他协变量）中
截距 = 参照组在其他连续变量均值处的预测值 B_Di = 控制其他变量后，第 i 组相对于参照组的均值差异
注意：这与单因素 ANOVA 的组间比较等价（若只有一个类别变量且无其他协变量）；加入协变量后等价于 ANCOVA 的调整均值比较。
五、哑变量编码 vs 效果编码（Effect Coding）
效果编码（Effect Coding，有时也称 deviation coding 或 sum coding；注意两种叫法在文献中含义略有差异，引用时建议核查原文使用的具体约定）是另一种常用的类别变量编码方案，与哑变量编码的核心差异如下：
编码对比
以 k=3（高中/本科/硕士）为例：
哑变量编码（参照组=硕士）
| 学历 | D1(高中) | D2(本科) |
|---|---|---|
| 高中 | 1 | 0 |
| 本科 | 0 | 1 |
| 硕士 | 0 | 0 |
效果编码（参照组=硕士）
| 学历 | E1 | E2 |
|---|---|---|
| 高中 | 1 | 0 |
| 本科 | 0 | 1 |
| 硕士 | -1 | -1 |
唯一区别：参照组从全 0 行变为全 -1 行。
系数含义对比
| 方案 | 截距含义 | 系数 B_Ei 含义 |
|---|---|---|
| 哑变量编码 | 参照组均值 | 第 i 组均值 - 参照组均值 |
| 效果编码 | 各组均值的未加权平均（各组样本量相等时等于总均值） | 第 i 组均值 - 各组均值的未加权平均 |
效果编码的截距是各组均值的未加权平均（unweighted mean of group means）：各组样本量相等时与加权总均值（grand mean）一致，但各组样本量不等时两者不同，不可混用。系数描述"各组均值偏离该未加权平均的量"，更接近方差分析（ANOVA）的思维框架。
何时选哪种？
| 研究情境 | 推荐方案 | 理由 |
|---|---|---|
| 有明确对照组/参照组（实验设计、临床对照） | 哑变量编码 | 系数直接表示"与对照组的差异" |
| 探索"各组与总体平均水平的偏差" | 效果编码 | 截距=总均值，系数=偏离量 |
| 包含交互项（类别×连续） | 效果编码 | 截距可解释为"总均值处的效应"，交互系数更直觉 |
| APA方法章节最常报告 | 哑变量编码 | 更广泛使用，审稿人默认理解 |
| 多项式/正交对比（有序类别） | 正交编码（Orthogonal Coding） | 超出本文范围，适用于等距有序类别 |
六、APA 7th 方法章节：编码说明模板
标准方法章节描述（哑变量编码）
对[类别变量名]（k=[类别数]个水平：[列出各水平]）进行哑变量编码（dummy coding），
以[参照组名称]作为参照组，共生成 [k-1] 个哑变量（D_[类别1] 和 D_[类别2]）。
各哑变量在属于该类别的个案上编码为 1，其余编码为 0；
参照组在所有哑变量上编码为 0。
示例（学历三分类，参照组=本科）：
对学历（3个水平：高中及以下、本科、硕士及以上）进行哑变量编码，以本科作为参照组，共生成2个哑变量（D_高中 和 D_硕士）。各哑变量在属于该类别的个案上编码为1，其余编码为0；本科个案在两个哑变量上均编码为0。
标准方法章节描述（效果编码，需要时）
对[类别变量名]进行效果编码（effect coding），
以[参照组名称]作为参照组（编码为全 -1），
共生成 [k-1] 个编码变量（E_[类别1] 和 E_[类别2]）。
回归截距代表总体加权均值，各系数代表对应组与总体均值的偏差。
七、APA 7th 回归结果报告：含哑变量的完整模板
可抄进论文的 APA 报告句式
整体模型 + 哑变量系数（单独报告类别变量效应）：
以[类别变量]（以[参照组]为参照，共[k-1]个哑变量）和[其他预测变量]为预测变量，
[因变量]为结果变量，进行多元线性回归分析。
整体回归模型显著，F([p], [N-p-1]) = X.XX, p [值],
R^2 = .XX, adjusted R^2 = .XX。
[类别变量]整体效应显著（通过 F 检验或依系数判断），
其中[类别1]（vs [参照组]）的月收入显著[高于/低于]参照组，
B = X.XX, SE = X.XX, beta = .XX, t([df]) = X.XX, p [值], 95% CI [X.XX, X.XX]；
[类别2]（vs [参照组]）B = X.XX（p = .XXX，未达显著）。
填入数值的完整示例（学历对月收入的回归）：
以学历（高中与硕士两个哑变量，参照组=本科）、工作年限和性别为预测变量，月收入（元）为结果变量，进行多元线性回归分析。整体回归模型显著，F(4, 345) = 31.64，p < .001，R² = .268，adjusted R² = .259，模型解释了月收入 25.9%（调整后）的方差。
学历方面，控制工作年限和性别后，高中学历个案（vs 本科）的月收入显著低于参照组，B = -2,183.40，SE = 412.50，beta = -.28，t(345) = -5.29，p < .001，95% CI [-2,994.6, -1,372.2]；硕士及以上学历（vs 本科）月收入显著高于参照组，B = 3,645.20，SE = 481.30，beta = .41，t(345) = 7.57，p < .001，95% CI [2,698.6, 4,591.8]。
APA 7th 回归系数表格模板（三线表，含哑变量）
| 变量 | B | SE | 95% CI | beta | t | p |
|---|---|---|---|---|---|---|
| 常数 | 8,240.10 | 320.40 | [7,609.4, 8,870.8] | 25.72 | <.001 | |
| 高中（vs 本科） | -2,183.40 | 412.50 | [-2,994.6, -1,372.2] | -.28 | -5.29 | <.001 |
| 硕士（vs 本科） | 3,645.20 | 481.30 | [2,698.6, 4,591.8] | .41 | 7.57 | <.001 |
| 工作年限 | 524.60 | 63.20 | [400.3, 648.9] | .35 | 8.30 | <.001 |
| 性别（女=参照） | -712.30 | 198.40 | [-1,102.4, -322.2] | -.16 | -3.59 | <.001 |
注：N = 350；参照组：本科学历、女性。R² = .268，adjusted R² = .259，F(4, 345) = 31.64，p < .001。
格式要点：在表注（Note）中明确写出参照组；系数表头注明 B 为非标准化系数；若报告 beta（标准化），需在方法章节说明已进行 z-score 标准化。
八、在 ChatSRS 一句话完成哑变量编码与报告
打开 chatsrs.com，上传数据后输入：
"对学历（高中/本科/硕士三组）进行哑变量编码，以本科为参照组，以月收入为因变量，加入工作年限和性别作为控制变量，做多元线性回归；输出包含非标准化系数B、SE、95% CI、标准化系数beta、t值和p值的APA 7th三线表，并给出方法章节的哑变量编码说明和结果段落报告句式。"
ChatSRS 将自动完成编码转换、模型估计、三线表排版，以及可直接复制进论文的方法章节和结果段落。若需改用效果编码，在指令中注明"使用效果编码（effect coding）"即可。
九、常见错误对照表
| 常见错误 | 正确做法 | 影响 |
|---|---|---|
| k类设了k个哑变量 | 只设k-1个，去掉参照组 | 完全多重共线性，模型不可估 |
| 未说明参照组 | 方法章节/表注明确写出 | 系数无法解读，审稿人退稿 |
| 把哑变量系数解读为"各组均值" | 系数=该组均值 - 参照组均值 | 结果解读错误 |
| 效果编码与哑变量编码混用 | 统一使用一种方案，方法章节说明 | 截距和系数含义完全不同 |
| 含哑变量的交互项缺乏编码说明 | 说明哑变量编码方案及参照组设置 | 交互效应无法正确解读 |
| 报告标准化系数beta时忽略哑变量 | 对0/1哑变量也报告beta（有效但需注意） | 与连续变量beta量纲不同 |
| 有序类别（低/中/高）直接哑变量编码 | 考虑正交多项式编码或保留顺序信息 | 损失趋势信息 |
常见 FAQ
Q：二分类变量（如性别：男/女）也需要哑变量编码吗？
A：严格来说是的，但二分类只产生 1 个哑变量（k=2，k-1=1），且习惯上直接将其编码为 0/1（如女=0，男=1）再进入回归。实质上这就是哑变量编码，只是不需要专门的"哑变量生成"步骤。需注意：编码方向（哪组=0，哪组=1）决定了系数的方向（正/负）和截距含义，方法章节须写明（如"性别以女性为参照组编码，男性=1"）。
Q：参照组选择真的不影响模型吗？F 值、R² 会变吗？
A：不影响模型整体拟合。F 值、R²、调整后 R²、每个观测值的预测值和残差，以及模型检验结论，全部与参照组选择无关。改变的只有截距值、各哑变量系数的数值和方向。换言之，参照组选择是"看问题的视角"，不是"模型本身的改变"。但如果两个参照组方案产生不同的显著性结论（某个 p 值在某个方案下恰好跨越 .05 临界值），通常说明该系数对应的组间差异不稳健，结论本身就值得审慎对待。
Q：效果编码在什么情况下是必须的，而不是"可以选"的？
A：存在一种情况效果编码具有实质优势：含有哑变量与连续变量交互项时。在哑变量编码下，截距代表参照组在连续变量=0处的预测值（而0往往不在数据范围内），交互系数的解读依赖于这个不直观的截距。改用效果编码后，截距代表"连续变量均值处各组均值的未加权平均"（各组等样本量时近似总均值），交互系数代表"连续变量斜率在各组之间的偏差量"，解读更自然。因此，当主要研究问题是"类别×连续交互效应"时，效果编码更推荐；若研究问题是"与特定参照组的差异"，哑变量编码更直接。
Q：SPSS 和 R 里哑变量编码是自动处理的吗，需要手动建列吗？
A：两种软件的处理方式不同。SPSS：在"Linear Regression"对话框中，将类别变量选入预测变量后点击"Categorical…"，可指定参照类别（First/Last/Custom）和编码方案（Indicator/Deviation等），SPSS 自动生成哑变量，但建议手动核对输出表格确认参照组。R：lm() 函数会自动将 factor 类型变量进行哑变量编码，默认以字母顺序第一个类别为参照，可用 relevel(x, ref="本科") 修改参照组，或用 contrasts() 设置效果编码。ChatSRS：只需在指令中说明参照组名称，系统自动处理，输出完整的 APA 格式报告。
相关阅读
- 回归分析 APA 表格怎么做 — B/β/SE/t/p/R² 标准格式与三线表模板全解
- 标准化系数和非标准化系数什么时候用哪个？— B vs β、跨样本比较、APA报告完整指南
- 多重共线性 APA 报告与诊断 — VIF/容忍度/条件指数全解
- 分层回归（层次回归）完整教程 — 嵌套模型 ΔR²/ΔF 增量检验
- 交互效应报告完整指南 — 类别×连续、Simple Slopes APA格式
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。