我正在使用glm并构建了此模型：
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的和死去的个体的数量。
我已经转换了一些变量，以便程序将它们视为分类的而不是连续的，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吗？在我的数据中，“大小”对应于一个只能接受两个值的变量（大小的两个类别：4-5mm和6-7mm），因此对于该变量，在我看来很合逻辑，应该将其归类。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”，我在每个样例中都有3个种群，它们在两个样例之间的海拔高度相似（〜200m，〜800m，〜1600m）。因此，此变量也只有3个“类别”。
我是否应该考虑类别变量而不是连续变量？
在模型中，其他变量是： 对应于温度处理（6种不同处理）的“温度”和对应于个体初始密度（即在实验开始时）的“ Number_I”。
我也应该将它们归类吗？每种方法的优缺点是什么？
谢谢。