对于等级变量是过低（-1），正常（0），过高（1），使用lasso筛选变量不建议用-1、0、1这样的数值放入模型，对吗

是的，对于等级变量，通常建议使用哑变量(dummy variables)来表示。哑变量是指将一个等级变量转化为多个二元变量，每个二元变量表示等级变量的一种取值。在这种情况下，每个二元变量只能取0或1。对于等级变量是过低（-1），正常（0），过高（1），可以将其转化为三个哑变量，分别表示等级变量为过低、正常和过高的情况。使用哑变量表示等级变量可以避免使用线性回归等模型时对等级变量的大小顺序做出错误的假设。

相关问题

对于分类变量是过低（-1），正常（0），过高（1），使用lasso筛选变量不建议用-1、0、1这样的数值放入模型，对吗

对的，建议将分类变量转换成哑变量（dummy variable）放入模型中。哑变量是将一个分类变量转换为多个二元变量（0或1），每个二元变量代表原来的分类变量中的一个取值。例如，在这个例子中，可以将分类变量转换为两个哑变量：一个表示过低（-1）是否出现，另一个表示过高（1）是否出现。这样，模型中就不需要考虑分类变量的数值大小，只需要考虑哑变量的取值。同时，也可以避免因为数值大小不同而对模型造成影响的问题。

lasso回归筛选变量 ，如果筛选的变量是分类变量，已经存储为-1，0，1等形式，应该如何处理。比如过低（-1），正常（0），过高（-1）

Lasso回归通常用于筛选连续变量，但也可以用于分类变量。对于你提到的分类变量，可以将其转换为虚拟变量（dummy variable）进行处理。具体地，对于一个有 $k$ 个类别的分类变量，可以创建 $k-1$ 个虚拟变量，对其中一个类别作为基准类别，其他类别分别对应一个虚拟变量。在Lasso回归中，对于每个变量的系数，表示该变量对于目标变量的影响大小，系数为0表示该变量对目标变量没有影响，系数不为0表示该变量对目标变量有影响。因此，对于虚拟变量，系数不为0的变量表示对应的类别与基准类别之间存在差异，系数为0的变量表示对应的类别与基准类别之间不存在差异。在你提到的例子中，可以将“正常”作为基准类别，创建两个虚拟变量，分别表示“过低”和“过高”，并将它们加入Lasso回归模型中。