我认为您不应该仅仅因为它们在特定样本中工作得更好而选择模型，尽管您使用训练和验证样本是件好事。

相反，请查看模型对您的情况的看法。在某些情况下，零截距模型是有意义的。如果所有 IV 都为 0 时 DV 应该为 0，则使用零截距模型。否则，不要。

实质性知识应该指导统计，而不是相反

如果满足两个条件，则无截距模型可能有意义。首先，应该有一个合理的主题知识预期，截距为零。其次，当你接近零时，回归线应该有一个合理的主题知识预期保持直线。即使两个条件都满足，明智的做法是使用截距项运行分析并验证截距与零没有显着差异。

（我假设您在谈论连续 Y 和连续 X。）

在将无截距模型与截距模型进行比较时，请仔细查看 rmse 或其他统计量是如何计算的。有时，两个模型之间的假设和计算不同，一个可能更适合，但看起来更好，因为它被更大的东西分开。

如果没有可重复的示例，很难说出可能有什么贡献。

如果您获得的截距仅仅是噪音——而不是信号，这将是可以理解的。不同于零。（我认为这两个模型中的标准化回归系数几乎相同吗？）如果是这样，我认为您不应该从这个例子中进行概括。当拦截是信号时。并且实质性，它们为预测准确性增加了一些有意义的东西。