1、Call:glm(formula = flag ~ X1wt + X1tt + X1zf + X1zp + X2wt + X2tt +     X2zf + X2zp, family = binomial(), data = datasample)Deviance Residuals:    Min      1Q  Median      3Q     Max  -1.938  -1.252   0.774   0.905   1.495  Coefficients:             Estimate Std. Error z value Pr(>|z|)  (Intercept) 8971.4616  6768.6303   1.325   0.1850  X1wt          -2.1824     1.9992  -1.092   0.2750  X1tt        -146.9639   113.6175  -1.293   0.1958  X1zf           0.2125     0.3947   0.538   0.5903  X1zp        1728.6228  1318.8870   1.311   0.1900  X2wt           7.6280     3.9075   1.952   0.0509 .X2tt          59.5489   103.7609   0.574   0.5660  X2zf           0.5778     0.4304   1.342   0.1795  X2zp        -769.1400  1195.9249  -0.643   0.5201  ---Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)    Null deviance: 812.58  on 632  degrees of freedomResidual deviance: 780.10  on 624  degrees of freedomAIC: 798.1Number of Fisher Scoring iterations: 4



2、
Call:glm(formula = flag ~ X1wt, family = binomial(), data = datasample)Deviance Residuals:     Min       1Q   Median       3Q      Max  -1.7745  -1.2838   0.8103   0.8906   1.3475  Coefficients:            Estimate Std. Error z value Pr(>|z|)    (Intercept) -146.626     34.212  -4.286 1.82e-05 ***X1wt           1.119      0.260   4.305 1.67e-05 ***---Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)    Null deviance: 812.58  on 632  degrees of freedomResidual deviance: 793.77  on 631  degrees of freedomAIC: 797.77Number of Fisher Scoring iterations: 4

上面第1个输出结果是把所有预测变量放进去建模的输出结果，显示每个变量表现都不显著。而第2个输出模型结果是把X1wt这个变量单独作为预测变量，结果显示预测显著，请问这是什么原因呢？为什么X1wt作为预测变量与其他变量一起建模的时候系数会表现不显著呢？