广义线性模型：估计

参数估计。 该组中的控件允许指定估计方法并提供参数估计值的初始值。

方法。 可以选择参数估计方法。可以选择的方法包括 Newton-Raphson、Fisher 评分方法以及先执行 Fisher 评分迭代再切换为 Newton-Raphson 方法的混合方法。如果在混合方法的 Fisher 评分方法阶段期间，在达到 Fisher 迭代的最大次数之前实现了收敛性，那么算法将继续执行 Newton-Raphson 方法。
刻度参数方法。 可以选择刻度参数估计方法。最大似然联合估算具有模型效应的刻度参数; 请注意，如果响应具有负二项式，泊松，二项式或多项分布，那么此选项无效。偏差和 Pearson 卡方选项从这些统计的值估计刻度参数。或者，可以为刻度参数指定固定值。
初始值。 该过程将自动计算参数的初始值。或者，可以为参数估计值指定初始值。

协方差矩阵。 基于模型的估计量是海森矩阵的广义逆负矩阵。健壮性（也称为 Huber/White/sandwich）估计是“改正”的基于模型的估计量，即使错误地指定了方差和关联函数，也能提供对协方差的一致估计。

迭代。 可用选项有：

最大迭代次数。 算法将执行的最大迭代次数。指定一个非负整数。
最大逐步二分法。 每次迭代时，步长都会减去因子 0.5，直到对数似然估计增加或者达到最大步骤对分。指定一个正整数。
检查数据点的分离。 如果选择此项，算法将执行检验以确保参数估计值具有唯一值。当过程可生成一个正确对每个个案进行分类的模型时，将发生分离。此选项可用于具有二进制格式的多项式响应和二项式响应。

收敛条件。 下列选项可用：

参数收敛。 如果选择此项，算法将在参数估计值的绝对或相对更改小于指定值（必须为正值）的迭代之后停止。
对数似然收敛。 如果选择此项，算法将在对数似然估计函数的绝对或相对更改小于指定值（必须为正值）的迭代之后停止。
Hessian 收敛。 对于“绝对值”指定，如果基于 Hessian 收敛性的统计小于指定的正值，那么假设收敛性。对于“相对”指定，如果统计小于指定的正值和对数似然估计的绝对值的乘积，那么假设收敛性。

奇异性容差。 奇异（非可逆）矩阵具有线性相关列，对估计算法可能产生严重问题。即使近似奇异的矩阵也可导致不良结果，因此该过程会将行列式小于容差的矩阵作为奇异矩阵对待。指定一个正值。

如何为广义线性模型指定估计设置。

此功能需要 SPSS® Statistics Standard Edition 或 Advanced Statistics Option。