教育程度也许是按有序变量处理的（纯属猜测），年龄是连续变量，性别只有两类。

题主所提到的变量中，性别可以处理成虚拟变量，教育程度可以作为有序变量，年龄可以作为连续变量；由于性别在这里是一个二分类自变量，处理虚拟变量时，不需要再进行n-1的操作；n-1的操作，适合多分类自变量。
一个比较典型的多分类变量，可以以职业为例，比如存在教师、工程师、医生共3个取值。在此基础上，我们可以举例一个数据如下：有收入、工龄和职业共三个变量，以收入为因变量，以工龄和职业为自变量。首先，要把职业处理成取值数量-1个虚拟变量，此例即为2个虚拟变量，假设为教师、工程师这两个虚拟变量。搭建多元回归模型为“收入=常量+系数1*工龄+系数2*教师+系数3*工程师”。可以看到，该模型中，没有医生，是因为医生被作为基准类别或参考类别。
得到系数2和系数3后，可以解读为“当控制住其他变量的影响时，教师的收入比医生的收入多系数2，工程师的收入比医生的收入多系数3”。
如果想比较教师的收入与工程师的收入，可以把工程师设置为基准类别或参考类别，搭建新的多元回归模型为“收入=常量+系数1*工龄+系数2*教师+系数3*医生”，就可以比较教师的收入与工程师的收入。