当然可以！在R里完全能实现你说的SAS Proc Logistic那种把预测概率追加到原数据集的功能，而且操作起来灵活又直观，给你两种常用的实现方式：

首先，先假设你已经用glm()拟合好了逻辑回归模型，这里用经典的mtcars数据集做示例：

# 拟合逻辑回归：以am（自动/手动变速箱）为二分类响应变量，wt和hp为自变量
logit_model <- glm(am ~ wt + hp, data = mtcars, family = binomial)

方法一：基础R原生实现（手动追加） #

用R内置的predict()函数就能生成预测概率，指定type = "response"就能得到0-1之间的概率值（和SAS里的Pred=<phat>完全对应），然后直接把结果作为新列加到原数据框里：

# 把预测概率追加到原数据，新列命名为phat（你也可以改成Estimated Probability）
mtcars$phat <- predict(logit_model, type = "response")

执行完这行代码，原数据框mtcars就多了一列phat，里面就是每条观测对应的预测概率，和SAS的效果一模一样。

方法二：用broom包自动追加（更省心） #

如果你想要更自动化的方式，不用手动赋值，可以用broom包的augment()函数——它会自动把预测值、残差等一系列模型相关统计量追加到原数据里，直接生成带预测概率的新数据集：

# 首次使用需先安装broom包
# install.packages("broom")
library(broom)

# 自动生成带预测概率的数据集，.fitted列就是我们需要的预测概率
augmented_data <- augment(logit_model, type.predict = "response")

# 可选：用dplyr把列名改成更直观的名字（比如phat）
library(dplyr)
augmented_data <- augmented_data %>% rename(phat = .fitted)

这个方法的好处是不用手动处理数据合并，还能顺便得到其他模型诊断信息，非常适合批量处理或需要更多统计量的场景。

额外小提示 #

• 如果你需要预测新数据集的概率，只需要在predict()或augment()里加上newdata = 你的新数据框参数即可，用法和SAS处理新数据的逻辑一致。
• R默认不会直接修改原数据（除非你像方法一那样直接赋值），所以你可以灵活选择保留原数据，或者用新变量存储带预测值的数据集。

内容的提问来源于stack exchange，提问作者jrl