SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Defining Dummy Variables

dore avatar
dore
7 diapositives · 367 Views · Aug 08, 2012

Defining Dummy Variables. Getting ready for Discriminant Analysis. Why dummies?. Not necessary for predictive models, but has some advantages. A subset of a variable (a certain range of values) may affect dependent differently, but variable used as a continuous one may not be significant.

Defining Dummy Variables - slide 1
01 / 7Defining Dummy Variables
1 / 17

Télécharger la présentation

Defining Dummy Variables
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Defining Dummy Variables Getting ready for Discriminant Analysis

  2. Why dummies? • Not necessary for predictive models, but has some advantages. • A subset of a variable (a certain range of values) may affect dependent differently, but variable used as a continuous one may not be significant. • Easier to interpret for business applications. • For credit bureau variables, can handle special cases (no record, inquiries only, missing, etc.) a little better, based on dependent variable characteristics for those categories.

  3. How to define them • Compute ratio of column percentages for each category (Good Column Percent / Bad Column Percent). • Use the pattern of these ratios to determine how many categories (and hence number of dummies) to create. • Must have a neutral category.

  4. Example:Customer Age Dummies 1 2 Neutral 3 4 5 6 7

  5. Some Guidelines • Look for a logical pattern • Eg: Ratios get better with age – does that make sense? Why or why not? • If a higher age category has lower ratio then combine it with the previous (or next) category. • If pattern is contrary to business expectation, investigate data, and/or drop the variable. • If no pattern (variation in ratios) at all, drop the variable – it has no discriminatory power.

  6. Special Cases • What to do with ‘No Record’, ‘Inquiries Only’, etc. while dealing with Credit Bureau variables? • Look at Good/Bad ratio for those categories. • Find category with closest match and make that the Neutral category. • The special cases should also be part of Neutral category for all variables. • Assess their impact only once in the model by defining dummies for the CBTYPE variable.

  7. CBTYPE Variable Key to CBTYPE variable 1 = Record with Trades 2 = Record w/Inqs. and Pub Recs Only 3 = Record w/Inqs. Only 4 = Record w/Pub Recs Only 5 = No Record