我开发了一个相当简单的多元回归计量经济学模型。我现在正试图运行鲁棒回归（EViews称之为Robust Least Square）。我可以轻松地运行鲁棒回归M估计。但是，每次运行鲁棒回归MM估计时，我都会遇到同样的错误：“达到的最大奇异子样本数”。我通过增加/减少迭代次数，收敛级别等来讨论MM估计规范......总是遇到同样的错误。
在EViews论坛上，另一位研究员在MM估计和S估计方面遇到了完全相同的问题。论坛主持人指出，如果模型存在虚拟变量而没有那么多观察，那么这种估计可能无法达到收敛并产生如上所述的误差。我的模型确实有虚拟变量。并且，其中一些没有那么多观察结果（时间序列数据中有8个连续观测数据，有217个观测值）。但是，我不清楚这是否是EViews的限制，或者这是否真的是算法限制。我可能会尝试在R中重新运行MM估计。并且，看看它是否可行。
继续以上，我做到了。并且，使用R使用rlm（）函数使用R和MASS包运行鲁棒回归。就像在EViews中一样，运行M估计也没有问题。同样，我在尝试进行MM估计时遇到了麻烦。就像在EViews中一样，我收到一条错误消息，指出回归/模拟在20次迭代后没有达到收敛。所以，我通过首先消除所有虚拟变量来重新估算我的MM估计。正如预测的那样，它有效。接下来，我一次只添加一个虚拟变量，每次我重新进行MM估计。我这样做是为了观察MM估计模型何时会崩溃。令我惊讶的是，它从来没有。并且，现在我最终可以使用所有虚拟变量运行我的MM估计。我不知道为什么我不能一次运行它所有的虚拟变量（也许我在编码时出错）。
这使我得出结论，R在这个计数上比EViews更灵活一些。仔细观察后，我注意到我运行的EViews M估计是双方类型（与常规Huber类型相比）。这有很大的不同。当我在R中运行双平方类型的M估计时，我几乎得到了与EViews完全相同的结果。两者之间存在细微差别。考虑到求解过程是迭代的，可以预期这一点。
答案 0 :(得分：0)
正如你在我的评论中所读到的，我在这个问题上做了很多工作。最后，我不清楚为什么EViews在运行具有一些虚拟变量的模型的MM估计类型的鲁棒回归时有条不紊地崩溃。我觉得不应该。使用相同的鲁棒回归方法的完全相同的模型在R中可以使用MASS包和rlm函数使用method =＆＃34; MM＆＃34;来解决。
如果您发现自己处于类似情况，我建议您尝试在R中尝试使用Robust回归MM类型。我不知道这个过程在SAS，SPSS，Python，STATA和其他类似软件中的相对重要性。希望其中任何一个都比EViews更具弹性。
这种类型的模型实际上不会导致软件崩溃（在多次迭代之后，算法不会向解决方案收敛）。但是，如果我的经验是任何指标R在此计数上具有比EViews高得多的再保证阈值。