泊松回归（glm，R）算法的精度

我想做泊松回归，但我需要我的回归函数比glm运行得更快，并且至少有同样的精度。考虑下面的实验：

## Here is some "data":
da = data.frame(matrix(c(0,1,212,1,0,200,1,1,27), nrow = 3, byrow = TRUE))
names(da) = c("c1", "c2", "c")

## I want to do a Poisson regression of c on c1 and c2 and an intercept.

## Here is my function that uses optim for Poisson regression with the data da to find the intercept term:
zglm2 = function(precision = 1){  #predictors = best.terms, data = ddat, normalized = normalized
  # The design matrix
  M = as.matrix(cbind(rep(1, nrow(da)), da[,1:2]))
  # Initialize beta, the coefficients
  beta = rep(0, 3)
  # State the log-likelihood (up to a constant) for the data da and parameter beta:
  neg.pois.log.like.prop = function(beta){
    log.lambda = M%*%beta # log-expected cell counts under poisson model
    return(-sum(-exp(log.lambda) + da$c*log.lambda))}
  # State the gradient of the log-likelihood:
  grad.fun = function(beta){a = exp(M%*%beta)-da$c; return(t(a)%*%M)}
  # Estimate the MLE
  beta = optim(beta, neg.pois.log.like.prop, method = "BFGS", gr = grad.fun, control = list(reltol = precision*sqrt(.Machine$double.eps)))$par 
  return(beta[1])}

## Here are two ways of estimating the intercept term:
# Method 1
zglm2(precision = 1)
# Method 2
as.numeric(glm(c ~ 1+c1+c2, data = da, family = poisson)$coefficients[1])

我的函数，

zglm2

使用R的

optim

例程找到泊松回归问题的最大似然解（对于这种特殊情况）

zglm2

接受参数

精度

；此参数的值小于1会使

optim

超出其默认终止条件以获得更高的精度

不幸的是，方法1和方法2的结果差别太大（出于我的目的）；7.358对7.359。给

precision

参数一个较小的值，如0.01，使这两种方法达到合理的一致性，使我怀疑R的

glm

函数非常精确

---

因此，我的问题是：

glm

的结果的精度水平由什么决定？也许作为一个子问题，

glm

使用什么算法来寻找最大可能性（我已经深入研究了源代码，但对我来说并不容易）。

我很难相信“你已经深入研究了代码”，因为有一个“控制”参数和将参数传递给glm的函数：

?glm
# control   
#        a list of parameters for controlling the fitting process. 
#        For glm.fit this is passed to glm.control.

---

是的，我看过

控件

参数文档，但没有发现它有什么帮助。无论如何，我对我的问题感到不满，我想把它删除。