一种可能的解释是您的结果与预测变量之间的关系存在非线性。

这是一个小例子。我们使用一致的预测器$[-1,1]$. 然而，结果不是线性地取决于预测变量，而是取决于预测变量的平方：两者都更可能为真$x\approx-1$和$x\approx 1$, 但不太可能$x\approx 0$. 在这种情况下，线性模型将变得无关紧要，但将预测变量切割成区间使其变得重要。

> set.seed(1)
> nn <- 1e3
> xx <- runif(nn,-1,1)
> yy <- runif(nn)<1/(1+exp(-xx^2))
> 
> library(lmtest)
> 
> model_0 <- glm(yy~1,family="binomial")
> model_1 <- glm(yy~xx,family="binomial")
> lrtest(model_1,model_0)
Likelihood ratio test

Model 1: yy ~ xx
Model 2: yy ~ 1
  #Df  LogLik Df  Chisq Pr(>Chisq)
1   2 -676.72                     
2   1 -677.22 -1 0.9914     0.3194
> 
> xx_cut <- cut(xx,c(-1,-0.3,0.3,1))
> model_2 <- glm(yy~xx_cut,family="binomial")
> lrtest(model_2,model_0)
Likelihood ratio test

Model 1: yy ~ xx_cut
Model 2: yy ~ 1
  #Df  LogLik Df  Chisq Pr(>Chisq)  
1   3 -673.65                       
2   1 -677.22 -2 7.1362    0.02821 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

然而，这并不意味着离散化预测变量是最好的方法。（几乎从来没有。）使用建模非线性要好得多样条或类似的。

一种可能的方式是，如果关系明显是非线性的。无法判断（鉴于缺乏细节）这是否真的解释了正在发生的事情。

你可以自己检查。首先，您可以为变量本身添加变量图，还可以在模型的因子版本中绘制拟合效果。如果解释是正确的，那么两者都应该看到明显的非线性模式。