数量化 Ⅰ 類｜カテゴリ説明変数で連続目的を予測（スコア化の実務）
名義カテゴリをスコア化して回帰に適用します。ダミー回帰との関係を意識すると理解が進みます。
まずはここだけ（やさしい導入）
- 何をする？: 名義カテゴリ（例: 色、ブランド）にスコアを付けて回帰に使う
- いつ使う？: ダミーが増えすぎるときの圧縮、カテゴリ水準の“良さ”の比較
- どう読む？: 水準スコアの大小と符号（基準との差）を解釈
用語ミニ辞典（1 行で）
- カテゴリスコア: 各水準に付与する数値（学習で推定）
- 制約: スコアの合計=0 など、同定のための条件
- 交差検証: 過学習を防ぐ評価の仕組み
ミニコード（概念的）
# 実務は専用ライブラリや正則化を推奨（ここでは概念説明に留めます）実務ケーススタディ（カテゴリ水準の“良さ”比較）
目的: カラー/ブランド/チャネルが売上に与える寄与を水準ごとに比較したい。
- 設計
- カテゴリを特徴量に。基準水準を決め、他水準のスコアを推定
- 推定
- 交差検証で正則化を選び、過学習を抑制
- 解釈
- 正のスコアは基準よりプラス寄与、負はマイナス寄与
練習問題（理解を定着）
- 水準が 20 以上あるカテゴリがある。どう対処？
- ヒント: まとめる/頻度が少ない水準を統合、正則化を強める
- スコアの合計制約はなぜ必要？
- ヒント: 同定のため。任意の定数分だけズレても同じモデルになるため
- ダミー回帰との違いは？
- ヒント: 本質的に近い。読みやすさ/圧縮や制約の扱いが異なる
ポイント
- カテゴリの水準ごとにスコアを推定
- 多水準の扱いと過学習に注意（正則化・交差検証）
数量化理論Iについてのご相談はこちら