您是否只适合一个大 glm 模型然后查看各个 p 值？

请记住，这些 p 值衡量的是该变量对模型中所有其他变量的影响。您的更多协变量可能确实有贡献，但存在冗余信息，因此它们没有显示意义。可能是 A 与另一个协变量或 2 的组合显示了真正的差异，但 A 本身没有意义。

还要查看所有术语的效果大小和标准误差。与 Wald 检验/估计（标准摘要中的各个 p 值）相关的一个悖论是，您可以让一个非常重要的变量看起来不显着，因为标准误差被高估了。因此，似然比测试要好得多。

您可以通过仅使用 A 拟合简化模型来评估上述两种情况，然后使用 anova 函数比较这两个模型，如果这很重要，则表明您的模型中除了 A 变量之外还有一些重要的东西。

测试做出不同的假设，因此不会给出完全相同的结果。更大的问题是（不正确的）假设，即未能拒绝空值“表明没有区别”。它不是。这只是意味着您没有足够的证据来拒绝没有区别的零。

更合适的比较器是比例优势模型，其中包含 Wilcoxon 检验作为特例。请注意，“多变量”是指同时分析多个因变量。我认为您的意思是说“多变量”。

如果我理解正确，您正在测试与结果的平均值是否与与结果相关的预测变量 A 的平均值不同。即使它们没有区别，这个结果对你的研究问题也没有任何意义。它所说的只是在您的样本中，预测变量的平均值在因变量的成功和失败之间是不同的。我将举一个例子，以便您了解原因。$A$$1$$2$$A$

想象一下，我很想知道教育是否会影响员工在给定公司担任经理的可能性。我随机收集员工样本，其中名员工不是经理，名员工实际上是经理。我进行了逻辑回归，教育的效果很显着（关于 p 值的通常警告也适用于此）。$200$$70$

现在，您可能想知道样本是否平衡，即经理和非经理的教育是否存在相同的差异。看到这一点的第一个测试是测试他们的手段是否不同。如果他们的手段没有差异，那么您就会知道，平均而言，在您的样本中，经理和非经理的教育水平相同。您可以检查经理和非经理之间的教育水平是否存在大致相同的差异。但我认为很明显，Wilcoxon 检验（或 Mann-Whitney）与您的预测对成功概率的影响没有任何关系（在我的例子中，成功意味着成为一名经理）。