Question 1

截距项是 GLM 方程线性部分的截距，因此您的均值模型是 $E[Y] = g^{-1}(\mathbf{X \beta})$ ，在哪里 $g$ 是你的链接功能和 $\mathbf{X\beta}$ 是你的线性模型。该线性模型包含一个“截距项”，即：

$\mathbf{X\beta} = c + X_1\beta_1+X_2\beta_2+\cdots$

在您的情况下，截距明显非零，但变量不是，所以它是说

$\mathbf{X\beta} = c \neq 0$

因为您的链接函数是二项式的，所以

$g(\mu) = \ln\left(\frac{\mu}{1-\mu}\right)$

因此，仅使用截距项，您的均值拟合模型为：

$E[Y] = \frac{1}{1+e^{-c}}$

你可以看到，如果 $c=0$ 那么这仅对应于获得 Y=1 或 0 的 50:50 机会，即 $E[Y] = \frac{1}{1+1} = 0.5$

因此，您的结果是说您无法预测结果，但一类（1 或 0）比另一类更有可能。

Question 2

在我看来，数据可能存在一些问题。奇怪的是，系数的参数估计值为 0.000。看起来你的 DV 和你的 IV 都是二分法的，你的 DV 的比例根本不会随着你的 IV 而变化。这是正确的吗？

正如我在评论中指出的那样（正如@corone 的回答所暗示的那样），截距是 IV 为 0 时的 DV 值。您的 IV 是如何编码的？尽管如此，系数的估计值为 0.000 的事实意味着 IV 没有任何区别。

因此，截距 2.708 是 DV 的估计 logit：即 $\text{log}(\frac{p}{1-p})$ 在 IV 的所有级别。

Question 3

在您的情况下，截距是的总平均值attacked_excluding_app，计算所有数据，而不管treatment。系数表中的显着性检验是检验它是否显着不同于零。这是否相关取决于您是否有一些先验理由期望它为零。

例如，假设您测试了一种药物和安慰剂对血压的影响。对于每个受试者，您通过计算（治疗后的压力 - 治疗前的压力）记录他们的血压变化，并将其视为分析中的因变量。然后您会发现治疗效果（药物与安慰剂）不显着，但截距显着 > 0 - 这将告诉您平均而言，您的受试者的血压在两次测量时间之间增加。这可能很有趣，需要进一步调查。

Answer 1