Variables dummy

1 · Qué son

Variables que valen 0 o 1 y representan la pertenencia a una categoría.

Con $k$ categorías se crean $k - 1$ dummy. La categoría que no recibe dummy es la de referencia, y todos los coeficientes se leen contra ella.

2 · La trampa de las dummy

Si se incluyen todas las categorías más la constante, el modelo es indeterminado: las dummy suman exactamente 1 en cada caso, que es lo que vale la columna de la constante.

$$d_1 + d_2 + \dots + d_k = 1 = \text{constante}$$

3 · El ejemplo

Nivel educativo en tres categorías, con primario como referencia:

Categoría	secundario	superior
Hasta primario completo	0	0
Secundario	1	0
Superior	0	1

Coeficiente	Valor	Lectura
secundario	+249.541	contra primario
superior	+726.490	contra primario
Diferencia entre ellos	476.949	por resta

4 · Cómo elegir la referencia

Criterio	Ejemplo
La categoría más frecuente	da errores estándar más chicos
El grupo control	en un experimento
Un orden natural	la categoría más baja, en variables ordinales
La más interpretable	la que el lector espera como base

La elección no cambia el ajuste del modelo —el $R^2$, los predichos y el $F$ son idénticos— pero sí cambia qué comparaciones son directas.

5 · Dummy y ANOVA son lo mismo

Una regresión con solo dummy es exactamente un ANOVA de un factor:

ANOVA	Regresión con dummy
$F$ del factor	$F$ del bloque de dummy
Medias de cada grupo	constante + coeficiente de cada dummy
$\eta^2$	$R^2$

6 · Las otras codificaciones

Codificación	Los coeficientes comparan contra
Tratamiento (dummy 0/1)	la categoría de referencia
Suma (efecto)	la media general
Helmert	cada categoría contra la media de las anteriores
Polinómica	tendencias lineal, cuadrática… en variables ordinales

La de tratamiento es la que usan R y Python por defecto y la que se interpreta más fácil. La polinómica es útil cuando la categórica tiene un orden con espaciado razonable.

7 · Errores frecuentes

• Incluir las $k$ dummy con constante.
• No declarar cuál es la referencia al reportar.
• Tratar una categórica codificada 1, 2, 3 como numérica. El modelo supone entonces que el paso de 1 a 2 vale lo mismo que de 2 a 3, y estima un solo coeficiente en lugar de $k-1$.
• Comparar dos categorías no de referencia sin recalcular el error estándar.
• Crear dummy con categorías de muy pocos casos.
• Olvidar que los coeficientes cambian si cambia la referencia.

8 · En el software

# R — declarar como factor y listo
d$nivel <- factor(d$nivel, levels = c("Primario", "Secundario", "Superior"))
modelo <- lm(ingreso ~ horas + nivel, data = d)   # crea las dummy solo

# Cambiar la referencia
d$nivel <- relevel(d$nivel, ref = "Superior")

# Contrastes distintos
contrasts(d$nivel) <- contr.sum(3)

# Python — C() marca la categórica
smf.ols("ingreso ~ horas + C(nivel)", data=d).fit()
smf.ols("ingreso ~ horas + C(nivel, Treatment(reference='Superior'))",
        data=d).fit()

pd.get_dummies(d.nivel, drop_first=True)    # a mano

SPSS:     Regresión lineal no crea dummy solo:
          hay que generarlas con Transformar › Recodificar

@misc{estadistica_ar_variables_dummy,
  author       = {Montivero, Jorge Luis},
  title        = {{Variables dummy}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/variables-dummy}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-19}
}