假设您有一个二进制变量，例如性。您创建两个虚拟变量以在模型中反映这一点。假设你有六个人$(M,F,F,M,M,F)$. 您的虚拟变量如下所示：

• $X_1=(0,1,1,0,0,1)$
• $X_2=(1,0,0,1,1,0)$

但现在$X_{i1}+X_{i2} = 1$尽一切可能$i$所以你有一个完美的多重共线性的情况。该模型不会区分由高$X_1$或低$X_2$反之亦然。

避免这个陷阱的方法是摆脱其中一个变量。但这意味着将其中一个组作为“参考”，这是一种任意选择。

更重要的是，当同时考虑多个因素时，由于您的个体在组中的分布方式，某些虚拟变量可能会达到完美的多重共线性。

想象一下，例如，你也有像“高于 170 厘米/低于 170 厘米”这样的数据，你得到$(T,S,S,T,T,S)$（这并不罕见）您将面临与我们在考虑时遇到的类似问题$X_1$和$X_2$