I also suggestAdding the difficult

I also suggestAdding the difficult option to a command sometimes works wonders. It usually does nothing and may even make things worse, but it is easy to try. This is often the first thing I do, and occasionally it works miracles.Simplify the model and gradually add more variables to it. You may be able to identify the variables that are causing you grief.Try using a different program that uses a different algorithm; a problem that may be very difficult for one algorithm may work quite well for another.When the model is appropriate for the data, Long says that ML estimation tends to work well and convergence is often achieved within 5 iterations.

結果 (繁體中文) 1:

我也建議

添加難以選項命令有時可以創造奇蹟。它通常什麼也不做，甚至有可能使事情變得更糟，但它很容易去嘗試。這通常是我做的第一件事，偶爾它創造奇蹟。

簡化模型，並逐步多個變量，將其添加。您可能能夠確定導致你悲傷的變量。

嘗試使用使用不同的算法不同的程序; 可能是非常困難的一個算法有問題，可能工作得很好另一個。

當模型是適當的數據，朗說，ML估計往往工作良好，收斂往往5次迭代內完成。

結果 (繁體中文) 2:

我也建議

將困難選項添加到命令有時效果會奇跡。它通常什麼都不做，甚至可能使事情變得更糟，但它是很容易嘗試。這通常是我做的第一件事，偶爾它工作奇跡。

簡化模型並逐漸添加更多變數。你也許能夠識別導致你悲傷的變數。

請嘗試使用使用其他演算法的不同程式;對於一個演算法來說，這個問題可能非常困難，對於另一種演算法來說可能非常有效。

當模型適合資料時，Long 說 ML 估計往往工作良好，收斂通常在 5 次反覆運算中實現。

結果 (繁體中文) 3:

我也建議
在命令中添加困難選項有時會產生奇迹。它通常什麼都不做，甚至可能使事情變得更糟，但它很容易嘗試。這通常是我做的第一件事，偶爾也會創造奇跡。
簡化模型，逐步增加變數。你也許能找出引起你悲傷的變數。
嘗試使用使用不同算灋的不同程式；對於一個算灋來說可能非常困難的問題對於另一個算灋來說可能非常有效。
當模型適合於數據時，Long說ML估計工作得很好，並且通常在5次反覆運算內實現收斂。