没有什么是“总是好的”，因为总是有例外。例如，当您的预测器的一个或多个类别完美地预测结果时，logit 和 probit 模型就会遇到麻烦。无论您的样本量有多大，这都很容易发生。

另一种情况是，当 n 很大但一个或多个类别中的观察数量非常少时，您的模型会有些问题。当您的兴趣集中在这些小类别上时，这将是有问题的。

我不认为有一个明确的答案。如果没有纯粹的统计问题（参见 Maarten Buis 的回答），那么这是一个更具理论性的问题。

我的看法是，虽然许多属性自然是多类别的，但使用所有这些数据并不总是合乎逻辑的理由。它会使模型变得繁琐，并且可能会弄巧成拙。假设我们有一个具有个级别如果是一个控制变量，那么按原样使用它可能不会有很大的不同（除了令人眼花缭乱）。但是，如果是一种理论上有趣的效应，则可能需要进行一些缩减。我会详细说明。使用作为解释变量意味着我们有$x_1$$d$$x_1$$x_1$$x_1$$d-1$类别，每个类别都有一个系数，该系数是它与参考类别之间的差异。如果我们决心了解世界国家和日本之间的差异，那就更好了，但这几乎没有传达其他类别与其自身之间关系的信息。当我们有兴趣测量与$d-1$$x_1$，有很多类别使得解释很烦人。因此，通常谨慎地考虑合并类别背后是否存在逻辑。也许东亚国家可以一起走，也许欧盟国家（也许不能）。也许新客户很有趣，将他们与各种资历类别进行比较并不像非新客户那样有趣。很多时候，将类别聚集在一起会牺牲特异性，但会变得清晰——这不是一件坏事。