如何用glm实现固定单列系数为1的Logistic Regression？

你需要拟合的二分类logistic回归模型形式为：

logit(P(D=1)) = a₀ + A + a₂B + a₃C

其中A的系数固定为1，仅估计截距a₀、B的系数a₂、C的系数a₃。以下是两种可行的实现方式，推荐第一种：

方法一：使用offset()参数（官方推荐，严格符合模型假设） #

在glm中，offset()函数可以在模型的线性预测器中加入一个系数固定为1的项，完美匹配你的需求。假设你的数据存储在数据框df中，代码如下：

# 拟合固定A系数为1的logistic回归模型
model <- glm(D ~ B + C + offset(A), family = binomial(link = "logit"), data = df)

# 查看模型结果，输出的系数即为a₀、a₂、a₃的估计值
summary(model)

原理说明：offset(A)会直接将A项以系数1的形式加入到线性预测器中，模型的拟合逻辑完全遵循logistic回归的最大似然估计，结果准确可靠。

方法二：手动调整响应变量（仅作原理演示，不推荐用于实际分析） #

根据logistic模型的表达式移项可得：

logit(P(D=1)) - A = a₀ + a₂B + a₃C

你可以尝试构造调整后的响应变量，再拟合线性模型，但这种方法属于近似估计，不符合logistic回归的最大似然框架，且需要处理极端值问题：

# 加入极小值epsilon避免log(0)的情况
epsilon <- 1e-6
# 构造调整后的响应变量
y_adj <- log((df$D + epsilon)/(1 - df$D + epsilon)) - df$A
# 拟合线性模型（仅为近似结果）
model_approx <- lm(y_adj ~ B + C, data = df)

注意事项 #

• 确保A列是数值型变量，offset()仅支持数值输入；
• 如果需要拟合其他类型的广义线性模型（如泊松回归），只需修改family参数，offset()的用法保持一致。

内容的提问来源于stack exchange，提问作者Mark Regev