每个迭代步的偏差，对于 拟合二元 Logistic 模型、 二值 Logistic 回归和 拟合 Poisson 模型

为了估计模型的系数，分析使用迭代重加权最小二乘算法。该算法试图最大化模型的对数似然。这种最大化等价于模型偏差的最小化。该算法通过使用加权最小二乘法对系数估计来最大化对数似然。模型的偏差是饱和模型对数似然与对数似然之间的两倍差异。饱和模型是每个观测值都有参数的模型，该参数具有最大的对数似然值。

表格显示了模型在每次迭代中的偏差。通常，模型的对数似然从一步到下一步增加，说明系数估计的改进。对数似然的增加等同于偏差的减少。

该算法利用后续步骤偏差的差值来判断系数估计值何时足够准确。当偏差之间的差异小于阈值时，算法停止。默认情况下，阈值为1E−8。使用Minitab统计软件的会话命令来调整阈值。

有时，估计值在分析规范中最大迭代次数后不会收敛。收敛失败通常是由于数据的某些特定配置所致。例如，在二元逻辑回归中，数据的 完全分离 已知防止拟合算法无论迭代次数多少都无法完全收敛。