首先先指出一个小操作失误：你用了summary.lm(model1)来查看广义线性模型（glm）的结果，这是不对的！glm()生成的是logistic回归模型对象，应该直接用summary(model1)或者summary.glm(model1)——summary.lm()是给普通线性回归（lm）用的，虽然不会报错，但输出的t值不是logistic回归应该关注的统计量（正确的应该是z值和对应的p值），这是第一个需要修正的地方。

接下来看你遇到的核心问题：除截距外，所有自变量的系数估计都极小，p值全为1，这大概率是样本量不足或数据本身的结构问题导致的，下面分情况拆解：

1. 样本量与变量数的匹配问题 #

你提到“样本量极小（n=12），仅约70行数据”，这里大概率是笔误：

• 如果实际参与拟合的样本真的只有12个，但你在模型里放了7个自变量（包括Substrate的哑变量），样本量远小于变量数，模型的自由度严重不足，根本无法有效估计每个变量的效应，出现这种无意义的参数结果是必然的。
• 如果是70行原始数据，但因为大量缺失值（比如你数据里Width、DFT有很多NA），用na.exclude排除后实际参与拟合的样本量骤减，也会导致同样的问题。你可以用nrow(model1$model)查看真正参与模型拟合的观测数，确认有效样本量。

2. 数据的分离问题（Separation） #

如果有效样本量不算太小（比如30+），那要警惕logistic回归里的完全/准分离问题：当某个自变量的取值能完全区分因变量的两类（比如Substrate为Sand时，P全为0；为Sand&Searass时P有1有0），模型会试图用无穷大的系数来拟合这种完全区分的关系，数值计算时就会表现为系数趋近于0或无穷大，标准误异常大，最终p值接近1。

你可以手动检查每个自变量和P的关系，比如做交叉表（比如table(dframe2$Substrate, dframe2$P)），或者用专门的工具包检测分离问题。

3. 多重共线性问题 #

如果自变量之间高度相关（比如SGP和SGC可能存在相关性），会导致多重共线性，使得参数估计的标准误变大，结果不稳定，也可能出现类似的无意义p值。可以用方差膨胀因子（VIF）来检测，VIF>5就说明存在严重的共线性问题。

给你的具体建议 #

• 先修正操作：用summary(model1)查看正确的logistic回归结果，关注输出里的z value和Pr(>|z|)，而不是t value。
• 确认有效样本量：运行nrow(model1$model)，看看真正用来拟合模型的观测有多少。
• 如果有效样本量很小：
  • 大幅减少自变量数量，先做单变量logistic回归，筛选出有理论意义且初步显著的变量，再放入多变量模型；
  • 考虑用惩罚性模型，比如LASSO logistic回归（用glmnet包），它能在小样本下处理多个变量，同时做正则化和变量选择，避免过拟合。
• 如果有效样本量足够：
  • 检测分离问题，若存在，要么去掉导致分离的变量，要么用贝叶斯logistic回归来处理；
  • 检查多重共线性，去掉高度相关的变量；
  • 逐步构建模型：先拟合简单模型，再逐步加入变量，观察结果的稳定性。

内容的提问来源于stack exchange，提问作者Tino