pd.get_dummies 是否与仅在 statsmodel ols 中包含分类变量相同？

Question

我有来自如下实验的面板数据：

account	usage	yearmonth	pre/post	group
1	121	oct 2019	pre	control
1	124	Nov 2019	post	control
2	120	oct 2019	pre	treatment
2	118	nov 2019	post	treatment

在我的数据中，我有大约 50 个月和更多的帐户。

我正在使用 statsmodel 公式/patsy 运行 ols 来评估结果。

这不是我正在使用的确切模型规范，但为了这个问题：

smf.ols("usage ~ C(group, Treatment('control'))* C(pre/post, Treatment(pre)) + yearmonth), df).fit()

我的问题是，当我在公式中包含“yearmonth”变量时，statsmodel 是否将其视为虚拟变量，还是需要先对其使用 pd.get_dummies 然后再使用此模型：

 smf.ols("usage ~ C(group, Treatment('control'))* C(pre/post, Treatment(pre)) + oct 2019 + nov 2019), df).fit()

如果我使用后者，我的公式将会非常长。那我需要这样做吗？

谢谢！

Answer 1

get_dummies 为每个分类值创建一个列。您将结果连接到数据框中并删除类别列。 get_dummies 允许分类排名。而 df['category'].astype(category) 没有。您可以使用 labelEncoder 设置唯一且不需要排名的类别，如男性和女性。

Answer 2

如果列是文本列，我相信默认的分类编码是Treatment。在这种情况下，Treatement 返回K-1 类别，这样您的yearmonth 值之一将被视为基线，您将看到除该日期之外的所有其他日期的系数。这个可以详细看here.

pd.get_dummies 默认情况下不会这样操作。它将为每个分类值创建列，这意味着您将使用此方法获得一个额外的列。

如果您希望使用pd.get_dummies，则需要设置drop_first=True 参数。你可以找到文档here

简而言之，第一种方法没有任何问题，因为它实际上是在幕后制作傻瓜，值得注意的是它是 K-1，而不是 K 类别。