R 具有分类预测因子和交互作用的二项logistic回归（二项家庭参数和p值差异）

当我在glm模型中使用交互加上家庭=二项式参数时，以及当我忽略它时，我有一个关于重要性和重要性差异的问题。我对逻辑回归非常陌生，过去只做过简单的线性回归

我有一个树木年轮观测数据集，包含两个分类解释变量（治疗和起源）。处理变量是具有四个级别（对照、第一次干旱、第二次干旱和两次干旱）的实验性干旱处理。Origin变量有三个级别并引用树的原点（给定代码颜色表示不同的原点，如红色、黄色和蓝色）。我的观察结果是生长环是否存在（1=生长环存在，0=无生长环）

就我而言，我感兴趣的是治疗的效果，起源的效果，以及治疗和起源之间可能的相互作用

有人建议，二项逻辑回归将是一个很好的方法来分析这个数据集。（希望这是合适的？也许有更好的方法？）

我有n=5（每种处理组合按来源观察5次。例如，对照处理蓝色来源树的5次生长轮观察，对照处理黄色来源树的5次生长轮观察，等等），因此数据集中总共有60次生长轮观察

---

在R中，我使用的代码是glm（）函数。我将其设置如下：growthring_model根据Gregor的上述评论，可以将其解释为编程问题。如果省略

family=binomial

，则函数

glm（）

将使用默认的

family=gaussian

，这意味着一个标识链接函数，并假设正常、同调错误。另请参见

？glm

---

此处可能违反了正态和/或同态误差的假设。因此，此处显示的第二个模型的标准误差和p值可能不正确。

这不是编程问题。要获得统计信息帮助，请转到stats.stackexchange。另外，请确保您查看的是正确的列，在粘贴输出的第二块中，格式似乎有点不正确。p值仍然是第四列数字。只有一个小于0.05。我建议看一些关于虚拟数据的模型预测。（在二项模型上运行

predict

时，请确保使用

type=“response”

）我认为这将帮助您确定哪种模型有意义。你好，Gregor。啊，非常抱歉和感谢，我将切换到stats.stackexchange。是的，我认为你在格式方面也是对的。我将按照你的建议尝试一些模型预测。

Deviance Residuals: 
     Min        1Q    Median        3Q       Max  
-1.79412  -0.00005  -0.00005  -0.00005   1.79412  

Coefficients:
                                       Estimate Std. Error z value Pr(>|z|)
(Intercept)                          -2.057e+01  7.929e+03  -0.003    0.998
TreatmentFirst Drought               -9.931e-11  1.121e+04   0.000    1.000
TreatmentSecond Drought               1.918e+01  7.929e+03   0.002    0.998
TreatmentTwo Droughts                -1.085e-10  1.121e+04   0.000    1.000
OriginYellow                          1.918e+01  7.929e+03   0.002    0.998
OriginRed                            -1.045e-10  1.121e+04   0.000    1.000
TreatmentFirst Drought:OriginYellow  -1.918e+01  1.373e+04  -0.001    0.999
TreatmentSecond Drought:OriginYellow -1.739e+01  7.929e+03  -0.002    0.998
TreatmentTwo Droughts:OriginYellow   -1.918e+01  1.373e+04  -0.001    0.999
TreatmentFirst Drought:OriginRed      1.038e-10  1.586e+04   0.000    1.000
TreatmentSecond Drought:OriginRed     2.773e+00  1.121e+04   0.000    1.000
TreatmentTwo Droughts:OriginRed       2.016e+01  1.373e+04   0.001    0.999

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 57.169  on 59  degrees of freedom
Residual deviance: 28.472  on 48  degrees of freedom
AIC: 52.472

Number of Fisher Scoring iterations: 19

Deviance Residuals: 
Min      1Q  Median      3Q     Max  
-0.8     0.0     0.0     0.0     0.8  

Coefficients:
                                   Estimate Std. Error t value Pr(>|t|)  
(Intercept)                          -4.278e-17  1.414e-01   0.000           1.0000  
TreatmentFirst Drought                3.145e-16  2.000e-01   0.000   1.0000  
TreatmentSecond Drought               2.000e-01  2.000e-01   1.000   0.3223  
TreatmentTwo Droughts                 1.152e-16  2.000e-01   0.000   1.0000  
OriginYellow                          2.000e-01  2.000e-01   1.000   0.3223  
OriginRed                             6.879e-17  2.000e-01   0.000   1.0000  
TreatmentFirst Drought:OriginYellow  -2.000e-01  2.828e-01  -0.707   0.4829  
TreatmentSecond Drought:OriginYellow  2.000e-01  2.828e-01   0.707   0.4829  
TreatmentTwo Droughts:OriginYellow   -2.000e-01  2.828e-01  -0.707   0.4829  
TreatmentFirst Drought:OriginRed     -3.243e-16  2.828e-01   0.000   1.0000  
TreatmentSecond Drought:OriginRed     6.000e-01  2.828e-01   2.121   0.0391 *
TreatmentTwo Droughts:OriginRed       4.000e-01  2.828e-01   1.414   0.1638  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for gaussian family taken to be 0.1)

    Null deviance: 8.9833  on 59  degrees of freedom
Residual deviance: 4.8000  on 48  degrees of freedom
AIC: 44.729

Number of Fisher Scoring iterations: 2