当我在glm模型中使用交互加上family = binomial参数时以及当我将其遗漏时，我有一个关于重要性和重要性差异的问题 . 我对逻辑回归很陌生，过去只进行了更简单的线性回归 .
我有一个 observations of tree growth rings 的数据集，其中包含 two categorical explanatory variables （ Treatment 和 Origin ） . 治疗变量是一个实验性干旱治疗，有四个级别（控制，第一次干旱，第二次干旱和两次干旱） . Origin变量有三个级别，指的是树的原点（给定代码颜色表示不同的来源为红色，黄色和蓝色） . 我的观察结果是否存在增长环（ 1 = growth ring present, 0 = no growth ring ） .
就我而言，我对治疗效果，Origin的效果以及治疗和起源的可能相互作用感兴趣 .
有人建议二项Logistic回归是分析该数据集的好方法 . （希望这是合适的？也许有更好的方法？）
我有n = 5（每个原始治疗组合有5个观察结果 . 因此，例如，对照处理蓝色原生树的5个生长环观察结果，对照处理黄色原生树的5个观察结果等）所以总共数据集中有60个生长环观测值 .
在R中，我使用的代码是glm（）函数 . 我把它设置如下：growthring_model < - glm（growthringobs~Relation Origin Treatment：Origin，data = growthringdata，family = binomial（link =“logit”））
我已经考虑了我的解释变量，因此控制处理和蓝色原点树是我的参考 .
我注意到的是，当我从代码中留下“family = binomial”参数时，它给出了我在给定数据结果时合理预期的p值 . 但是，当我添加“family = binomial”参数时，p值为1或非常接近1（例如，1,0.98,0.99） . 这看起来很奇怪 . 我可以看到它的重要性很低，但是根据我的实际数据，这些值接近于1会让我产生怀疑 . 如果我在不使用“family = binomial”参数的情况下运行模型，我会得到似乎更有意义的p值（即使它们仍然相对较高/无意义） .
Can someone help me to understand how the binomial argument is shifting my results so much? （我知道它指的是分布，即我的观察结果是1或0）它在模型中究竟发生了什么变化？这是样本量小的结果吗？我的代码中有什么东西吗？也许那些非常高的值是正确的（或不是？）？
以下是我的模型摘要的读出，其中包含二项式参数：调用：glm（公式=生长期〜治疗原点治疗：起源，家庭=二项式（link =“logit”），data = growthringdata）
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
这里是没有二项式参数的模型摘要的读出：调用：glm（公式=增长〜治疗原点治疗：原点，数据= growthringdata）
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
（我提前为我的问题可能的简单性道歉 . 我已经尝试阅读逻辑回归并试图遵循一些例子 . 但我一直在努力寻找解决我的特定情况的答案）
非常感谢 .