交叉随机效应模型中广义最小二乘（GLS）和吉布斯采样的成本增长速度很容易超过${\mathrm{<trans\; data-src="N">N个</trans>}}^{\mathrm{<trans\; data-src="3">三</trans>}<trans\; data-src="∕">∕</trans>\mathrm{<trans\; data-src="2">2</trans>}}$对于N个观察。Ghosh等人（2022年）开发了一种改进算法，将成本降低到$\mathrm{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="N">N个</trans>}<trans\; data-src=")">)</trans>$在这里，我们将该方法推广到logistic回归的广义线性混合模型。我们在迭代重加权惩罚最小二乘算法中使用反求。具体方法是Schall（1991）提出的一种惩罚型准似然。Schall算法的一个简单版本的成本也将超过${\mathrm{<trans\; data-src="N">N个</trans>}}^{\mathrm{<trans\; data-src="3">三</trans>}<trans\; data-src="∕">∕</trans>\mathrm{<trans\; data-src="2">2</trans>}}$因为它需要一个大矩阵的逆矩阵的轨迹。我们以成本近似这个量$\mathrm{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="N">N个</trans>}<trans\; data-src=")">)</trans>$并证明了这种替换产生的差异是渐近可忽略的。我们的反求算法还以一种类似于Papaspiliopoulos等人（2020）的Gibbs采样器坍塌的方式，一次用一个随机效应来坍塌固定效应。我们使用了一个有助于有效协方差计算的对称算子。我们在Stitch Fix的真实数据集上演示了我们的方法。通过适当考虑交叉随机效应，我们发现朴素逻辑回归可以将抽样方差低估数百倍。