回答:
LL =対数尤度とする
以下は、summary（glm.fit）の出力から見たものの簡単な要約です。
Null Deviance = 2（LL（飽和モデル）-LL（Nullモデル））on df = df_Sat-df_Null
残差= 2（LL（飽和モデル）-LL（提案モデル））df = df_Sat-df_Proposed
飽和モデルは、各データ点を前提としたモデルは、独自のパラメータを持っている（あなたは推定するパラメータn個を持っていることを意味します。）
ヌルモデルを前提として正確な「反対」、という点であるがあなただけの1つのパラメータを推定意味し、すべてのデータポイントのための一つのパラメータを前提としています。
提案モデルは、あなたがp + 1つのパラメータを持っているので、あなたは、p個のパラメータ+インターセプト用語を使用してデータポイントを説明することができ前提としています。
あなたの場合はNullを逸脱が本当に小さいです、それはヌルモデルはかなりよくデータを説明することを意味します。同様に、あなたの残留逸脱。
本当に小さいとはどういう意味ですか？モデルが「良好」である場合、逸脱度は、（df_sat-df_model）自由度を持つ約Chi ^ 2です。
NullモデルとProposedモデルを比較したい場合は、
（ヌル逸脱-残差逸脱）提案されたdfを持つ約Chi ^ 2 -dfヌル =（n-（p + 1））-（n-1）= p
Rから直接得た結果ですか？一般に、Nullで報告される自由度は、Residualで報告される自由度よりも常に高いことを確認する必要があるため、少し奇妙に見えます。これは、Null Deviance df = Saturated df-Null df = n-1 Residual Deviance df = Saturated df-Proposed df = n-（p + 1）
ヌルの逸脱は、インターセプト以外のモデルによって応答がどれだけうまく予測されるかを示します。
残差偏差は、予測子が含まれている場合にモデルによって応答がどの程度適切に予測されるかを示します。あなたの例から、22の予測変数が追加されると、偏差が3443.3増加することがわかります（注：自由度=観測数-予測数）。この逸脱の増加は、適合性が著しく欠如していることの証拠です。
また、残差偏差を使用して、帰無仮説が真であるかどうかをテストすることもできます（つまり、ロジスティック回帰モデルがデータに適切に適合します）。これは、偏差が特定の自由度のカイ2乗値によって与えられるため可能です。有意性をテストするために、Rで次の式を使用して関連するp値を見つけることができます。
p-value = 1 - pchisq(deviance, degrees of freedom)
上記の残差偏差とDFの値を使用すると、帰無仮説をサポートする証拠が大幅に不足していることを示すほぼゼロのp値が得られます。
> 1 - pchisq(4589.4, 1099)
[1] 0
GLMか？