如果由于某种原因您知道截距（特别是如果它为零），您可以避免浪费数据中的方差来估计您已经知道的东西，并且对您必须估计的值更有信心。

一个有点过于简单的例子是，如果您已经（从领域知识）知道一个变量（平均而言）是另一个变量的倍数，并且您正试图找到该倍数。

考虑 3 级分类协变量的情况。如果有截距，则需要 2 个指示变量。使用指标变量的通常编码，任一指标变量的系数都是与参考组相比的平均差。通过抑制截距，您将拥有 3 个表示分类协变量的变量，而不仅仅是 2 个。然后，一个系数就是该组的平均估计值。一个更具体的例子是在政治学领域，人们可能正在研究美国的 50 个州。与其拥有一个截距和 49 个状态指示变量，通常更可取的是抑制截距，而是使用 50 个变量。

用一个具体的例子来说明@Nick Sabbe 的观点。

我曾经看到一位研究人员展示了一个树的年龄模型，它是其宽度的函数。可以假设当树的年龄为零时，它的宽度实际上为零。因此，不需要截取。