Estymacja Współczesne GAM-y estymuje się najczęściej przez maksymalizację karanej funkcji wiarygodności. W uproszczonej postaci maksymalizuje się wyrażenie
gdzie jest logarytmem wiarygodności, macierzą kary dla -tego składnika gładkiego, a parametrem wygładzenia.
Duże wartości wymuszają silniejsze wygładzenie funkcji i mogą prowadzić do przebiegów zbliżonych do liniowych. Małe wartości pozwalają funkcji bardziej elastycznie podążać za danymi, ale zwiększają ryzyko przeuczenia.
Pierwotnie GAM-y estymowano między innymi za pomocą algorytmów lokalnego scoringu i backfittingu. We współczesnych implementacjach, takich jak pakiet ‘mgcv’ w R, często stosuje się estymację parametrów wygładzenia metodami takimi jak uogólniona walidacja krzyżowa, AIC, największa wiarygodność lub ograniczona największa wiarygodność.
Stopnie swobody W modelach GAM ważnym pojęciem są efektywne stopnie swobody (ang. effective degrees of freedom, EDF). Dla składnika liniowego efektywna liczba stopni swobody wynosi zwykle około 1. Dla nieliniowej funkcji gładkiej może być większa i odzwierciedlać złożoność oszacowanego kształtu.