2020.10.27 注解：本文为旧版本的读书笔记（仅限于对名义变量的虚拟变量行为，并未对此进行解读），实际等候更细致的更新来解释虚拟变量。
PS 我点开以后才发现有人问我虚拟变量的问题，但是时间过久我就不再回复了（之前没看到），并且我对HLM等操作也不是非常熟悉……
2020年10月27日/新增（源自R章节部分摘录）
R/Q2：正交对比与非正交对比：简单介绍
注：本文为直接翻译，实际的编码章节待定写作中。
III型平方和被称为边缘或正交的（marginal or orthogonal），其原因在于其计算方法导致（见上参考）。这也就意味着，在对数据进行方差分析时，你的虚拟编码必须是正交的，否则会导致计算错误；而我们经常见到的常规虚拟编码则是非正交的。
因此，在使用III型平方和时，必须先制定自己的对比编码，或是使用其他函数对数据进行正交对比的重编码（例如Helmert contrast）：
contrasts(Data$variable)<-contr.helmert(3)更多数学拓展与参考请见：
AhaDad：通过线性模型详解方差分析中“对比”（Contrasts）的数理原理zhuanlan.zhihu.comR/C11.3Q2 extend：虚拟编码中interaction的编码问题
当我们将带有有序变量的分析转换成OLS回归时，常规的虚拟编码方式无法很好地反应交互项的分类，如下图所示。此时需要改变编码方式使其变得具有区分度。或者，心理学中常见的做法是将该部分分析单独提取出来，即我们所熟悉的主效应/交互效应分析。见
陈曦：统计学基础笔记：初级统计技术zhuanlan.zhihu.com
编码方式（预留坑，见书12.5.6）
2019年5月1日旧版本
实际经验结合读书笔记：定量研究系列 虚拟变量回归。Mellissa A. Hardy著。
虚拟变量/哑变量（dummy code）一般在变量涉及到分类变量，并进行回归分析时会涉及到。对于平均数差异检验，请参见t检验/ANOVA/Factorial ANOVA。
正常的OLS回归接受任何有序（你可以视为连续，也可以视为分类，这个取决于研究者的态度）、连续变量和二分变量。对于分类变量，必须进行哑变量/虚拟变量化。
Logistic回归可以使用Multinominal Logistic回归来手动完成分类变量，因此不需要虚拟变量化。
虚拟变量的个数需要是类别-1。其原理如下：
Break：Orthogonal contrast coding 正交比较编码与Classic dummy coding 传统虚拟编码
上面展示的是传统的dummy coding。还有另一种dummy coding的方法叫contrast coding，要求其在正交层面上，任何相加值都为0。具体案例如下：
在一般OLS回归中，使用传统的虚拟编码问题不大，因为其展示的是不同群组的比较；在特殊场景下（例如：方差分析的正交对比与III型平方和问题，见R长章11 ANCOVA）
Q：如何解读虚拟变量（二分变量）之间相关性的强弱？（与卡方相连接）
Q：控制组偏相关的解读？
Q：虚拟变量的回归解读？
Q：复杂数据的实验控制检验方法？
Q：虚拟变量的交互效应？
在普通的OLS回归中，我们假定各变量之间是线性独立的。在交互效应存在时，我们需要加入AxB的交互效应项来计算它的交互效应大小。对于虚拟变量，我们需要对每个虚拟变量分别进行乘积计算。这也就意味着，如果某个变量被转换成3个虚拟变量，我们就得加入3个交互效应虚拟变量项。