r - 如何知道在 glm 中将预测变量分类为分类变量还是连续变量更好？

Question

我正在使用 glm 并建立了这个模型： glm(cbind(Number_F,Nbre_dead)~ Temperature*Transect*Elevation + Size + Number_I, data=marine_data, family=binomial(link=logit))

响应变量“cbind(Number_alive, Number_dead)”对应于实验结束时活着和死去的个体数量。

我已经转换了一些变量，以便程序将它们视为分类而不是连续的，例如：

marine_data$Elevation<-as.factor(marine_data$Elevation)
marine_data$Transect<-as.factor(marine_data$Transect)
marine_data$Size<-as.factor(marine_data$Size)

但是，我真的不明白为什么让一些变量是分类的而不是连续的更好？在我的数据中，“大小”对应于一个只能取两个值的变量（大小的两个类别：4-5mm 和 6-7mm），所以对于那个变量，这对我来说似乎很合乎逻辑，它应该是分类的。对于“横断面”，也只有两个类别（横断面 1；横断面 2）。对于变量“海拔”，我在每个样带中有 3 个种群，它们居住在两个样带之间相似的海拔高度（~200m、~800m、~1600m）。因此，该变量也只有 3 个“类别”。

我是否正确考虑变量是分类的而不是连续的？

在模型中，其他变量是：“温度”，对应于温度处理（6 种不同的处理）和“编号_I”，对应于个体的初始密度，即在实验开始时。

我也应该将它们归类为分类吗？每种方法的优缺点是什么？

谢谢你。

标签： rglm