1. Обычно в логистической регрессии работают с численными переменными-предикторами, а не факторными/номинальными. Использование последних уже является логистической регрессией с контрастами или что-то в этом роде
2. Соответсвенно Intercept - это параметр регрессии на константу и к кодированию отношения не имеет
3. Переменные можно просто исключить из модели. Собственно т.к. они не значимы, то и удаление/добавление таки переменных не должно сильно влиять на модель. Ваша Anova об этом и говорит.
4. Для того чтобы параметры регресси можно было анализировать на существенность то рекоменудется делать центрирование и нормирование. Тогда можно будет наглядно увидеть, что одни параметры существенные, а другие нет. Существенность и значимость - это разные вещи, естественно.
5. Обычно исключение переменных из модели линейной регрессии делается для того чтобы исключить мультиколлиниарность т.е. исключить многократное влияние одной экзогенной переменной

я бы немного поправил
Исключение делается для того, чтобы снизить сложность модели и сохранить несмещенность оценок.
Кстати не понял про численные и факторные / номинальные переменные. Что значит констрасты? Мне казалось, что отличий вообще никак с линейной регрессией в этом плане - какие экзогенные хочешь, такие и берешь.

Под существенностью Вы имеете в виду как сильно влияет на зависимую переменную независимая переменная, т.е значение коэффициентов (при условии, что мы стандартизировали переменные), под значимостью  p-value?
О факторных и численных переменных я думала, как и Igor

да, существенность - это сила влияния... переменная может объяснять всего 5-10% вариации, но быть очень существенной. Например ваши личные доходы могут объясняться на 5% выигрышами в лотерею с призовым фондом 1 млн. рублей. Значимость не такая большая как значимость переменной вашей ЗП, но вот влияние большое.

Так значимость - это просто проверка на то, истинный коэффициент ноль или не ноль

Или вообще делать ничего не нужно с уровнями этого фактора, а оставлять модель в таком виде? Я попробовала сделать, как описано мной выше. После этого провела anova, где видно, что модели очень мало различаются.
Прошу прощения, если мой вопрос не относится к основной теме чата

>чем меньше значимость, тем ближе к нулю коэффициенты

С точки зрения статистики, это  ересь. Так нельзя говорить

хорошо, отвечу кодом ниже... нужно обратить внимание, что модели одинаковые, а значение коэффициентов разные ... соответсвенно после нормирования и центрирования коэффициенты можно сравнивать между собой и определять существенность:
library(magrittr)
iris2 <-  apply(iris[, 1:4], MARGIN = 2, FUN = function(x)scale(x)) %>% as.data.frame()
lm(Sepal.Length ~ ., data = iris[, 1:4]) %>% summary()
lm(Sepal.Length ~ ., data = iris2) %>% summary()

что такое существенность и как ее определять по выхлопу ановы?

всем привет)
подскажите, кто-нибудь сталкивался с подобной ошибкой?

Ошибка в attr(x, "tsp") <- c(1, NROW(x), 1) :объект не является матрицей

предположил что вроде из-за этой строки.
text = paste0( sample(c("привет","прифки","шалом","каничива",1)),

но раньше по ней все ок было.
поэтому вот в раздумьях в чем косяк
пысы: гугол нашел только 2 похожих случая и их решения мне не помогли

всем привет)
подскажите, кто-нибудь сталкивался с подобной ошибкой?

Ошибка в attr(x, "tsp") <- c(1, NROW(x), 1) :объект не является матрицей

предположил что вроде из-за этой строки.
text = paste0( sample(c("привет","прифки","шалом","каничива",1)),

но раньше по ней все ок было.
поэтому вот в раздумьях в чем косяк
пысы: гугол нашел только 2 похожих случая и их решения мне не помогли

Судя по тексту ошибки на момент выполнения NROW объект x не был ни матрицей, ни вектором. Возможно, в этот момент x представляет собой список или ещё что-то в этом духе.

Просто сделай str(x) и увидишь всё.