无论您使用什么软件，显然都将系数报告为 3 dp 所以 0.000 只是意味着 <0.0005。

使用产生不会大或小的系数的测量单位是非常有意义的。由此不违反统计原则。您不需要参考或授权来支持这一点：可以根据问题和您所在领域熟悉的单位选择（例如）毫米或米或公里或英里或英尺或英寸的长度。

在您的情况下，除以 60 来获得每秒计数如何？您所在领域的人是否曾经将其用作一个单位？

一种看待它的方式是这样。如果您更改所有自变量的单位（同时保持因变量的相同单位），那么您应该预期回归系数会发生变化。单位越小，意味着值越大，系数越小。没有学术论文会提出这样的基本观点，但是如果您需要证明理由，可以参考矩阵形式的系数公式：

$\beta = (X^{T}X)^{-1}X^{T}{\bf{y}}$

这里是自变量值的矩阵$X$显示为平方项乘以非平方项的倒数，净效应是较小的单位，意味着较大的值$X$，减小系数的值。

在实践中，当回归包含一个常数项时，事情会稍微复杂一些，需要在其中包含 1 的列$X$. 改变自变量的单位不会改变常数（只有改变因变量的单位才会改变）。

相比之下，系数的 p 值是一个无单位的显着性度量（与零的差异），并且不会随着变量的单位改变而改变。

我喜欢将此视为一个问题，即为预测变量 X 选择 x1 和 x2 的代表性或其他合理值，并在 X=x2 减去 X=x1 时的预测 Y 时得到预测 Y。很容易获得这种差异的置信区间（在 R 中，这是rms包的一个特性）。这可以处理 X 效应中的非线性。我不喜欢重新编码数据只是为了更容易获得预测值。我喜欢完全准确地说明我的估计。我经常选择 x1=X 的第 25 个百分位，x2=75 个百分位。