你好，我是統計分析的新手，有一個可能是非常基本的問題..
我無法解釋我對一些簡單數據所做的邏輯回歸分析的結果。
我有兩種不同森林類型的橡樹數據集，我想知道颶風事件後的大小和森林類型如何影響命運（未受損與受損）。
因此，Y = 命運，X = 大小（連續變量）和森林類型（兩個類別，年輕森林與成熟森林）。
當我運行包含兩個變量的回歸時，兩者都不重要。 我還使用交互變量（大小 * 森林類型）運行它，同樣，沒有什麼重要的。
這有點令人驚訝，因為根據數據，我預計這兩個變量都很重要（或接近）。
所以我一次用一個變量運行邏輯回歸，只是為了看看發生了什麼。 大小並不重要。 但是，僅將森林類型作為一個變量，它就很重要，受損的樹木更有可能出現在成熟的森林中。
我無法理解這意味著什麼。 大小和森林類型相關（成熟森林的大小明顯更大）並且出於生態原因，這兩者都會強烈影響命運。 我不明白為什麼只有森林類型很重要，除非森林類型之間存在差異（大小除外），這在這裡非常重要 - 很可能是這種情況 - 但為什麼添加後森林類型仍然不重要進入模型尺寸？
大小是否影響命運，只是不足以具有統計顯著性，所以當它被包括在內時，它就解釋了一些變化，這有點消除了森林類型的信號？
我顯然對 LR 模型的內部工作原理了解不夠......任何建議表示讚賞！
大小和森林類型之間的相關性意味著它們的參數估計值的標準誤差被誇大了。 這種通貨膨脹降低了噸- 用於評估估計值的測試，使它們在模型中一起時比單獨建模時更不可能顯著。 你能分享這兩個預測變量之間的相關性嗎？
您也可以考慮不通過 Genius 分離數據。 您的測試將更加強大。 只需將 Genius 添加為模型中的另一個效應（項）。 如果您認為 Size 或 Forest Type 的影響取決於 Genius，則可以將交叉項添加到模型交互作用中。
