当前位置：首页 > news >正文

性别、地区、季节……这些“分类变量”怎么做回归？一篇文章讲透虚拟变量

news 2026/8/16 3:37:04

一、引言

实证分析中，被解释变量与核心解释变量多为连续型数据，如收入、价格、产出等，直接纳入回归方程并无障碍。但数据中常含有另一类信息——性别、城乡户籍、季节更替、政策干预与否——这些变量取值本身并非数值，无法直接参与运算。

你遇到的这个问题，有个专门的名字：分类变量（也叫定性变量）。性别、城乡户籍、季节、是否有政策干预……这些都算。处理它们的核心工具，就叫虚拟变量（Dummy Variable）。这篇文章不讲复杂的数学推导，只讲三件事：

1.虚拟变量是什么

2.两种核心用法——加法和乘法，到底啥区别

3.实战中怎么用、常见的坑在哪里

二、什么是虚拟变量？

核心定义：虚拟变量是人工构造的二元变量，取值仅有0、1作用是将难以量化的定性分组特征，转化为可以参与OLS回归运算的标准化数据。一句话：把分类特征转成0和1。比如：男性=1，女性=0；农村=1，城镇=0；春季=1，其他=0就这么简单。0和1只是两个标签，不代表“1比0大”或者“1比0好”，它只表示属于哪一组。有了这个0和1的变量，它就能像收入、价格一样，被放进回归方程里参与运算了。一个最基础的例子：

研究工龄和性别对工资的影响，模型写成：

如果性别虚拟变量设成“男性=1，女性=0”，那么：

看到没？β₂就是“男性比女性多拿的那部分工资”。但问题来了——这只是虚拟变量最基础的用法。现实中，情况往往更复杂。

三、两种核心用法——加法和乘法

同样是引入虚拟变量，放在哪里，意思完全不一样。

3.1 加法方式：截距不同，斜率相同，仅水平差异

前面工资那个例子，就是加法方式。模型长这样：

D是虚拟变量（0或1）；X是连续变量（比如工龄、收入），拆开看：

D=0 组：

D=1 组：

看图就清楚了：两条线斜率一样——X每增加1个单位，两组Y的增量相同。但截距不同——D=1组比D=0组整体高一截，高多少？就是β₂。加法方式回答的问题： “两组人的基础水平有没有差距？”

3.2 乘法方式（交互项）：截距相同，斜率不同，变化速度不同

但有些时候，两组人的起点可能一样，变化趋势却不一样。比如：城镇和农村居民，收入增加同样的数额，消费会涨一样多吗？这时候要把虚拟变量乘在X旁边，构成交互项：

C是消费，X是收入；D=1代表农村，D=0代表城镇拆开看：

D=0 组（城镇）：

D=1 组（农村）：

看图：起点一样，但岔开了。X每增加1个单位，D=1组比D=0组多涨β₂。多涨多少？就是β₂。

乘法方式回答的问题： “两组人对同一个因素的敏感程度有没有差异？”

3.3 两种方式一起用：截距和斜率都不同

更常见的情况是：两组人起点不同，变化趋势也不同。

那就加法和乘法一起上：

拆开：

D=0 组：

D=1 组：

把三种方式放一起对比：

四、实战案例

研究问题

检验农村、城镇居民不同来源收入，对家庭消费支出的拉动作用是否存在显著差异。

数据来源

全国 31 个省份面板数据，取自历年《中国统计年鉴》，指标包含城乡人均工资收入、经营净收入、其他收入（财产转移性收入）、居民人均消费支出。

模型设计

合并农村、城镇全部 62 个观测样本，构建双向虚拟变量模型，同时检验城乡截距差异、各项收入边际效应差异：

i模型系数经济含义拆解：

基准组（城镇居民，D=0）消费函数：

农村居民（D=1）消费函数：

系数解读规则：δ0：城乡居民基础消费水平差距（截距差异，加法虚拟变量）δ1、δ2、δ3：城乡居民各类收入边际消费倾向差异（斜率差异，乘法交互项）如果 δ0、δ1、δ2、δ3 任意系数显著不为 0，代表城乡居民消费行为存在显著异质性。

基准回归结果

统计量：(1162.4) (1783.3) (0.06) (0.09) (0.14) (0.23) (0.08) (0.26)样本量 n=62，R²=0.978，调整 R²=0.975，F 统计量 = 343.04。5% 显著性水平下 t 临界值约 2.00；δ0、δ1、δ2、δ3 所有系数 t 统计量绝对值全部小于 2，无法拒绝系数等于 0 原假设。

结果解读

城乡分组虚拟变量、各类收入交互项系数均未通过 5% 显著性水平检验。可以得出结论：样本区间内农村与城镇居民消费行为不存在明显异质性，同等收入提升条件下，城乡居民消费增长幅度基本持平。工资收入、其他收入系数显著为正，对居民消费拉动效应最强。大家也可以自主拓展研究方向，比如南北区域数字普惠金融农户收入异质性、学区房与普通住宅房价差异测算等，Stata、EViews、Python 均可完成虚拟变量回归。

五、虚拟变量陷阱是什么

5.1 虚拟变量陷阱

设定虚拟变量时须遵循一条基本原则：对于具有m个类别的定性变量，最多只能引入m−1个虚拟变量。以季节为例。设春、夏、秋、冬四个季节，若分别构造四个虚拟变量：D₁=1（春季），否则0；D₂=1（夏季），否则0；D₃=1（秋季），否则0；D₄=1（冬季），否则0，将四者同时纳入回归方程，则对于任意观测值，恒有：

D₁ + D₂ + D₃ + D₄ = 1

而回归模型中的截距项对应一列取值全为1的向量。因此，四个虚拟变量之和与截距项构成完全多重共线性，设计矩阵降秩，参数无法唯一估计。此即虚拟变量陷阱。

正确操作：选择某一类别作为基准组（参照组），不予设定虚拟变量，其余m−1个类别各设一个虚拟变量。基准组的信息由截距项吸收，各虚拟变量的系数均表示“该类别相对于基准组的差异”。