使用EViews，运行稳健的最小二乘回归，我无法进行MM估计吗？

Question

我已经开发了一个相当简单的多元回归计量经济学模型。 我现在正在尝试运行稳健回归（EViews称其为稳健最小二乘）。 我可以轻松地进行鲁棒回归M估计。 但是，每次我进行稳健回归MM估计时，我都会遇到相同的错误：“达到最大奇异子样本数”。 我通过增加/减少迭代次数，收敛水平等来处理MM估计规范。总是会遇到相同的错误。

在EViews论坛上，另一个人遇到了MM估计和S估计完全相同的问题。 论坛主持人指出，如果模型中存在虚拟变量而没有那么多观察，则这种估计可能无法达到收敛并产生上述误差。 我的模型确实有虚拟变量。 而且，其中一些观测值不那么多（在具有217个观测值的时间序列数据中，有8个连续观测值）。 但是，我不清楚这是否是EViews的限制，或者这是否确实是算法的限制。 我可能会尝试在R中重新运行MM估计。然后，看是否可行。

在上述内容之后，我做到了。 并且，使用R和带有rlm（）函数的MASS包运行了稳健回归。 就像在EViews中一样，我运行M估计没有问题。 同样，尝试进行MM估计时，我遇到了麻烦。 就像在EViews中一样，我收到一条错误消息，指出20次迭代后回归/模拟未达到收敛。 因此，我通过首先消除所有虚拟变量来重新进行MM估计。 如预期的那样，它起作用了。 接下来，每次重新运行MM估计时，我一次只添加一个虚拟变量。 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，它从未如此。 而且，现在我终于可以对所有虚拟变量运行MM估计了。 我不知道为什么我不能一开始就用所有虚拟变量立即运行它（也许我在编码时出错了）。

这使我得出结论，在这一点上，R比EViews灵活一些。 经过仔细检查，我注意到我运行的EViews M估计是双平方类型的（相对于常规的Huber估计）。 这有很大的不同。 当我在R中运行双平方类型的M估计时，我几乎得到与EViews完全相同的结果。 两者之间的差异很小。 考虑到求解过程是迭代的，因此可以预期。

Answer 1

如您在我的评论中所读，我在这个问题上做了很多工作。 最后，我不清楚为什么在使用带有一些虚拟变量的模型运行MM估计类型的稳健回归时，EViews为何会突然崩溃。 我觉得不应该。 使用MASS软件包和rlm函数，使用方法=“ MM”，可以使用相同的稳健回归方法在R中求解完全相同的模型。

万一您遇到类似情况，我建议您尝试在R中执行“稳健回归MM”类型。 我不知道此过程在SAS，SPSS，Python，STATA和其他类似软件中的相对弹性是多少。 希望在这一点上，任何一种都比EViews更具弹性。

这种类型的模型实际上不会导致软件崩溃的可能性不大（经过无数次迭代之后，该算法并未收敛于解决方案）。 但是，根据我的经验，就此而言，指标R的弹性阈值比EViews高得多。