我有时在逻辑回归模型中使用偏移量。用例是我已经有一个复杂的模型，需要重新估计它以覆盖原始数据样本范围之外的一些新数据（在时间上，或在横截面上），但是由于各种原因，它在整个扩展数据集上重新估计模型实际上是不可行的。目标是一个新模型，它可以对一些样本外数据给出良好的预测，但对样本内数据给出不变的预测。

因此，我从原始模型中获取线性预测变量，将它们指定为偏移量，然后引入旨在拟合新数据的其他变量，这样就不会改变对原始数据的预测。

诚然，这是临时的，但在实践中是一个非常有用的技巧。我不知道逻辑回归中偏移的“合法”用途是什么，但我很高兴统计软件包允许这样做。

当您知道该变量的系数应该是多少时，您会包含一个偏移量。通常软件会统一修复它。正如您在泊松回归中指出的那样，当我们假设如果我们将分母乘以一个因子，我们也会将结果乘以相同的因子时，这通常用于包括分母的影响。

可以在泊松特例之外使用偏移量的一种情况是，当您从先前研究的理论中获得系数的假设值时。然后，如果您将预测变量包含在回归中乘以理论值并作为偏移量，这将具有将其包含在系数的理论值中的效果。如果您还将预测变量作为标准回归变量包括在内，您将从针对零测试其系数中看到偏移量是否足够（因此支持理论值）或者您是否可以拒绝它。

当模型基于过采样数据时，offset用于校正偏差。另一种方法是使用weights参数。但是请注意，offset通过更改截距会产生正确的概率，通常是基于判断的覆盖。另一方面，weights通过抵消过采样的影响来产生正确的参数估计，就好像模型是基于正确采样的数据一样。

逻辑回归中的偏移量有多种用途，无论是针对特定因素还是其他模型的输出。对于具体的因素，它们可能被包括或排除在最终实施中。包括，如果目标是在最终模型中修复它们，是否强制假设（基于过去的经验）或限制影响。排除，如果目标是控制这些因素{成熟度效应，不同的影响}。
对于模型输出，它们可以是 i) 完整开发过程的一部分，以分组变量；ii) 在不影响原始模型的情况下将新数据源合并到新样本中；iii) 在实施前或实施后验证模型的排名能力。