我会说“虚拟变量”是一种更通用的方式来指代代表（共同代表）分类预测变量的（一个）数值变量；因此，该术语也适用于 Helmert & effect coding ^†中使用的那些。这主要是由于“dummy”的普遍使用来表示“stand-in”。“指标变量”我与指标函数相关^‡ ——所以那些只能是 1 或 0 来表示具有或不具有某些属性；因此，该术语仅适用于参考级编码中使用的那些^※。当然有些人用“dummy coding”来表示“reference-level coding”；他们大概对“虚拟变量”有更严格的定义，或者至少应该有。

† 如果你不叫那些“傻瓜”，你怎么称呼它们？

‡ 所以例如假人$x_i$是一个指示变量，当$i$第个人$u_i$是男性（集合的成员$M$):

$$x_i=\boldsymbol{1}_\mathrm{M}(u_i)=\left\{ \begin{array}{l l} 1 & \mathrm{when}\ u_i \in M\\ 0 & \mathrm{when}\ u_i \notin M\\ \end{array}\right.$$

在哪里$\boldsymbol{1}_M(\cdot)$是隶属度的指示函数$M$.

※ 或者，正如@gung 所指出的，级别意味着编码。

@Scortchi 在这里提供了一个很好的答案。让我补充一点。即使使用更严格的指标变量定义，这仍然可以与（至少）回归类型模型中分类数据的两种不同编码方案相关联：即。 参考等级编码和等级手段编码。使用级别意味着编码，您有一个分类变量$k$表示为的级别$k$指标变量，但您不包含$1$s 为截距（即截距被抑制）。（对于更全面的解释，使用示例模型矩阵，请参阅我的答案：逻辑回归如何具有因子预测因子而没有截距？）当只有一个分类变量时，这会以简单的方式产生模型输出，并且可能受到一些人的青睐。（对于使用此方案有助于比较感兴趣的示例，请参阅我的答案：为什么最佳线性无偏预测器 (BLUP) 的估计值与最佳线性无偏估计器 (BLUE) 不同？）