我的理解是，Fisher 评分与 Newton raphson 优化相比有几个优势，例如

1. 计算效率：如果满足某些条件（例如：在MLE估计期间，如果链接函数是规范的+ obs的数量足够大，则计算预期的Hessian而不计算二阶导数，而是可以由jacobian自己估计）
2. 更好的收敛性（因为 Fisher 信息矩阵总是正定的。Fisher 评分受异常值的影响也较小）
3. 受所选起点影响较小

这是否意味着，Fisher 得分总是优于 Newton Raphson 优化？是否存在 Fisher 失败/Newton Raphson 执行得更快/收敛更好的情况？

参考： 混合模型：理论与应用，第 2 章，第 2.11 节