Доброго времени суток!
Модель вроде бы адекватная (зависимая переменная - КИН), 3 предиктора - объем контраста, возраст, анемия (есть или нет). Но вот отношения шансов получаются какие-то очень высокие.
Intercept) Анемия1 возраст Объем.контраста
4.991232e-15 4.267894e+03 1.167138e+00 2.609896e+03

Нажмите для просмотра прикрепленного файла
Данные здесь

Внимательнее данные готовьте, тут шутников и так хоть ртом ешь.

А что не так то?

Нажмите для просмотра прикрепленного файла
Вот в текстовом варианте
Если я делаю что-то не так, так Вы скажите пожалуйста. Во всяком случае в R я данные загружал и вычисления проводил. Получилось вот такое

Call:
glm(formula = КИН ~ Объем.контраста + Анемия + возраст, family = "binomial",
data = reg)

Deviance Residuals:
Min 1Q Median 3Q Max
-1.68285 -0.00979 -0.00186 -0.00029 2.18472

Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -32.93109 10.07242 -3.269 0.001078 **
Объем.контраста 7.86707 2.18889 3.594 0.000326 ***
Анемия 8.35888 2.77845 3.008 0.002626 **
возраст 0.15455 0.07788 1.984 0.047210 *
---
Signif. codes: 0 ?***? 0.001 ?**? 0.01 ?*? 0.05 ?.? 0.1 ? ? 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 220.410 on 300 degrees of freedom
Residual deviance: 20.614 on 297 degrees of freedom
AIC: 28.614

Number of Fisher Scoring iterations: 10

> exp(coef(logit))
(Intercept) Объем.контраста Анемия возраст
4.991232e-15 2.609896e+03 4.267894e+03 1.167138e+00

1. У вас разделены данные по КИН без всяких моделей и сомнений. "Просто глазами" разделяемы.

2. Предикторы мультиколлинеарны более чем допустимо, значит значения коэффициентов модели содержательно интерпретировать нельзя. Но судя по п.1 сильно не уменьшиться.




Ага

Коэффициенты корреляций между предикторами слабые - 0.14-0.36. И с чего вдруг мультиколлинеарность больше чем допустимо.
Не понимаю!

Generally, VIF for an X variable should be less than 4 in order to be accepted as not causing multi-collinearity. The cutoff is kept as low as 2, if you want to be strict about your X variables.


ЗЫ

А почему получается такой логит при подстановке значений?
> x<-data.frame(возраст=60,Объем.контраста=3)
> p<-predict(logit,x)
> p
1
2.157031