R 如何解释逻辑回归输出？

我有逻辑回归模型的R输出。似乎只有截距和psa具有统计学意义。这是否意味着我应该从我的模型中删除sorbets_psa和cinko，并创建一个新模型，名为

new.model=glm（status~psa，family=binomial（link=“probit”）

---

否。模型中自变量的数量应取决于可用自由度的数量、自变量的多重共线性以及模型的拟合。然而，这并不是一个真正的R编程问题，因此您可能需要在交叉验证中进行提问。

您的问题实际上取决于您的目标，因为在现实生活中，没有正确的模型，但目标的方法是正确的。那么，你的客观预测能力如何？口译？根据你的见解创造一个好故事来讲述？限制输入变量的数量？你在这里得到的信息是，在存在“psa”的情况下，其他两个变量没有重大影响。我感兴趣的是，到底是什么影响了响应变量。我想在这种情况下，它只是psa，对吗？嗯。在这种情况下，我指的是变量的组合，这是你得到的主要见解。但是，这些变量中的每一个都可能单独影响您的响应变量。这是你想知道的吗？如果是，为每个输入变量运行3个不同的

y~x

模型。你对互动感兴趣吗？对每对进行

y~x1*x2

。很多事情需要调查，因为你可以用不同的方式组合你的变量。

Call:
glm(formula = status ~ psa + serbest_psa + cinko, family = binomial(link ="probit"), 
data = data)

Deviance Residuals: 
Min       1Q   Median       3Q      Max  
-2.3285  -0.6773  -0.6261  -0.5604   1.9500  

Coefficients:
          Estimate Std. Error z value Pr(>|z|)    
(Intercept) -0.9697009  0.2409856  -4.024 5.72e-05 ***
psa          0.0444376  0.0094368   4.709 2.49e-06 ***
serbest_psa -0.0440718  0.0250486  -1.759   0.0785 .  
cinko       -0.0006923  0.0016984  -0.408   0.6835    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 534.27  on 477  degrees of freedom
Residual deviance: 477.07  on 474  degrees of freedom
AIC: 485.07

Number of Fisher Scoring iterations: 6