众所周知的事实是，如果模型是参数化的（即完全指定为有限数量的未知参数），并且某些规律性条件成立，则最大似然估计是渐近最优的（在常规估计量类中）。我对 UMVUE 的概念有疑问，因为 MLE 很少给出无偏估计。

为什么MLE 最优的问题相当棘手，您可以查看例如 Van der Vaart 的“Asymptotic Statistics”，第 8 章。

现在已知最小二乘法与 MLE 一致当且仅当回归中的误差项分布是正常的（您可以查看 Wikipedia 上的OLS文章）。由于在逻辑回归中分布不正常，LS 的效率将低于 MLE。

在普通线性回归中，最大化似然性等同于最小化所有误差的平方和（以及因此估计的误差方差） I 在逻辑回归中，误差不期望具有相同的方差：我们应该对p 接近 0.5，对极值 I 的方差较低导致（迭代）（重新）加权最小二乘法 (IRWLS) 方法，在我们期望 p 周围的方差较小的情况下，误差会受到更多的惩罚