Dummy Variables 
 
Frequently  in  regression  analysis  we  encounter  factors  that  may  well  influence  the 
dependent  variable  but  which  we  are  unable  to  quantify  in  any  meaningful  way.  Let  us 
suppose we were estimating a demand equation for alcoholic drink from quarterly data. We 
might specify an equation of the form 
 
Q =   1   2 E   3 P     (1) 
 
where  Q  is  quantity  demanded,  E  is  the  total  real  expenditure  of  consumers  and  P  is  the 
relative  price  for  alcohol.  Since  we  are  using  quarterly  data,  we  suddenly  realize  that,  for 
obvious reasons, expenditure on alcohol tends to be largest during the festive fourth quarter 
of each year. But how do we allow for a non‐quantifiable factor such as this? 
One way of allowing for qualitative factors is to codify them by assigning numerical 
values to different circumstances. In the above case we could define a dummy variable D, 
where D takes the value one during the fourth quarter of each year but the value zero during 
all the other quarters. Instead of estimating (1), we could then estimate 
 
Q =   1   1 D   2 E   3 P               (2) 
 
The variable D is treated just like any other variable in the equation – it just happens to take 
the unusual values 
 
0,0,0,1,0,0,0,1,0,0,0,1,0.... 
 
To  interpret  the  parameter  α1  in  (2),  note  that  for  the  fourth  quarter,  when  D  =  1,  the 
equation implies 
Q =  (  1   1 )   2 E   3 P               (3) 
 
However, during all the other quarters, when D = 0, (2) implies 
 
Q =   1   2 E   3 P                 (3a) 
 

Q  ( 1  1 )   2 E

Q  1   2 E

 
    E
Figure 1. A parallel shift in the population regression line. 
  
 
 
Thus α1 measures the change in the intercept parameter that occurs in the fourth quarter. A 
positive  value  (as  expected)  measures,  for  given  values  of  E  and  P,  the  increase  in  mean 
alcohol  expenditure  that  occurs  during  the  fourth  quarter.  The  situation  is  illustrated  in 
Figure 1, where we have abstracted from the price variable. Equation (2) implies a parallel 
shift in the population regression equation during the fourth quarter. 
 
Note that to estimate α1, we need estimate Equation (2) only, using data for all quarters. We 
can test the hypotheses that α1 = 0 (i.e. whether there is a significant difference in demand 
between the fourth quarter and the other quarters) by examining its confidence interval, t 
statistic or p‐value in the usual way.  
 
Source:  
Thomas,  R.L.,  Modern  Econometrics  –  an  introduction,  Addison  Wesley  Longman,  Harlow, 
1997, pp. 260‐261