你好，我是统计分析的新手，有一个可能是非常基本的问题..
我无法解释我对一些简单数据所做的逻辑回归分析的结果。
我有两种不同森林类型的橡树数据集，我想知道飓风事件后的大小和森林类型如何影响命运（未受损与受损）。
因此，Y = 命运，X = 大小（连续变量）和森林类型（两个类别，年轻森林与成熟森林）。
当我运行包含两个变量的回归时，两者都不重要。 我还使用交互变量（大小 * 森林类型）运行它，同样，没有什么重要的。
这有点令人惊讶，因为根据数据，我预计这两个变量都很重要（或接近）。
所以我一次用一个变量运行逻辑回归，只是为了看看发生了什么。 大小并不重要。 但是，仅将森林类型作为一个变量，它就很重要，受损的树木更有可能出现在成熟的森林中。
我无法理解这意味着什么。 大小和森林类型相关（成熟森林的大小明显更大）并且出于生态原因，这两者都会强烈影响命运。 我不明白为什么只有森林类型很重要，除非森林类型之间存在差异（大小除外），这在这里非常重要 - 很可能是这种情况 - 但为什么添加后森林类型仍然不重要进入模型尺寸？
大小是否影响命运，只是不足以具有统计显着性，所以当它被包括在内时，它就解释了一些变化，这有点消除了森林类型的信号？
我显然对 LR 模型的内部工作原理了解不够......任何建议表示赞赏！
大小和森林类型之间的相关性意味着它们的参数估计值的标准误差被夸大了。 这种通货膨胀降低了吨- 用于评估估计值的测试，使它们在模型中一起时比单独建模时更不可能显着。 你能分享这两个预测变量之间的相关性吗？
您也可以考虑不通过 Genius 分离数据。 您的测试将更加强大。 只需将 Genius 添加为模型中的另一个效应（项）。 如果您认为 Size 或 Forest Type 的影响取决于 Genius，则可以将交叉项添加到模型交互作用中。
