贝叶斯概率回归模型（Albert和Chib[1]）在二元回归中非常流行并被广泛使用。虽然在没有任何先验信息的情况下，回归系数的不适当平坦先验是一个合适的选择，但在先验信息可用的情况下或在系数数量（$p$）大于样本大小（$n$）的现代高维设置中，适当的正态先验是可取的。对于两种先验的选择，所得到的后验密度是难以处理的，并且使用数据增强（DA）马尔可夫链来从后验分布生成近似样本。建立此DA-Markov链的几何遍历性非常重要，因为它为基于Markov链的后验量估计的标准误差的构造提供了理论保证。本文首先证明了在适当正规先验的情况下，DA-Markov链是几何遍历的为所有人设计矩阵$X$、$n$和$p$的选择（不同于不适当的先前情况，其中$n\geq p$和$X$上的另一个条件是后面适当性本身所必需的）。我们还导出了DA-Markov链是迹类的充分条件，即相应算子的特征值是可和的。特别是，这使我们可以得出结论，Haar PX-DA三明治算法（通过在DA算法的两个步骤之间插入一个廉价的额外步骤获得）在适当意义上严格优于DA算法。