由于多元线性回归模型的假设条件较多,当因变量为离散型或分类型时,使用多元线性回归模型拟合的效果不佳,因此在此基础上延伸出了广义线性模型。由于数据的自然度量受广义线性模型的影响较小,数据本身可以保持稳定的非线性和非恒定方差结构,导致广义线性模型相对于其他模型具有很强的普适性。但是,传统的广义线性模型及其参数的极大似然估计法对离群值很敏感,仅一个离群值就能使参数估计值严重偏离实际。因此,本文在传统的广义线性模型中引入均值漂移参数γ,提出了基于均值漂移惩罚的稳健广义线性模型。在惩罚目标函数的基础上,本文设计了基于阈值嵌入的迭代算法和稳健的迭代重加权最小二乘算法分别估计均值漂移参数γ和自变量系数β,保证了该方法可同时进行离群值检测和稳健的参数估计。当得到的均值漂移参数β非零时,说明其对应的观测值为离群值;否则,为正常值。然后,在因变量中减去均值漂移参数γ,再估计参数β,即可得到稳健的参数估计值。本文用编程任务数据分别建立了不含离群值和含离群值的传统和稳健的Logistic回归模型,将得到的四种均值漂移参数γ和参数β的估计结果进行对比。又用米勒木材公司的数据分别建立了不含离群值和含离群值的传统和稳健的Poisson回归模型,将得到的四种均值漂移参数γ和参数β的估计结果进行对比。结果发现稳健的Logistic回归模型和稳健的Poisson回归模型可以很好地识别出数据中存在的离群值且能进行稳健的参数估计,证明了本文提出的稳健的Logistic和Poisson回归模型具有稳健性和有效性的特点。