使用EViews，運行穩健的最小二乘回歸，我無法進行MM估計嗎？

Question

我已經開發了一個相當簡單的多元回歸計量經濟學模型。 我現在正在嘗試運行穩健回歸（EViews稱其為穩健最小二乘）。 我可以輕松地進行魯棒回歸M估計。 但是，每次我進行穩健回歸MM估計時，我都會遇到相同的錯誤：“達到最大奇異子樣本數”。 我通過增加/減少迭代次數，收斂水平等來處理MM估計規范。總是會遇到相同的錯誤。

在EViews論壇上，另一個人遇到了MM估計和S估計完全相同的問題。 論壇主持人指出，如果模型中存在虛擬變量而沒有那么多觀察，則這種估計可能無法達到收斂並產生上述誤差。 我的模型確實有虛擬變量。 而且，其中一些觀測值不那么多（在具有217個觀測值的時間序列數據中，有8個連續觀測值）。 但是，我不清楚這是否是EViews的限制，或者這是否確實是算法的限制。 我可能會嘗試在R中重新運行MM估計。然后，看是否可行。

在上述內容之后，我做到了。 並且，使用R和帶有rlm（）函數的MASS包運行了穩健回歸。 就像在EViews中一樣，我運行M估計沒有問題。 同樣，嘗試進行MM估計時，我遇到了麻煩。 就像在EViews中一樣，我收到一條錯誤消息，指出20次迭代后回歸/模擬未達到收斂。 因此，我通過首先消除所有虛擬變量來重新進行MM估計。 如預期的那樣，它起作用了。 接下來，每次重新運行MM估計時，我一次只添加一個虛擬變量。 我這樣做是為了觀察MM估計模型何時會崩潰。 令我驚訝的是，它從未如此。 而且，現在我終於可以對所有虛擬變量運行MM估計了。 我不知道為什么我不能一開始就用所有虛擬變量立即運行它（也許我在編碼時出錯了）。

這使我得出結論，在這一點上，R比EViews靈活一些。 經過仔細檢查，我注意到我運行的EViews M估計是雙平方類型的（相對於常規的Huber估計）。 這有很大的不同。 當我在R中運行雙平方類型的M估計時，我幾乎得到與EViews完全相同的結果。 兩者之間的差異很小。 考慮到求解過程是迭代的，因此可以預期。

Answer 1

如您在我的評論中所讀，我在這個問題上做了很多工作。 最后，我不清楚為什么在使用帶有一些虛擬變量的模型運行MM估計類型的穩健回歸時，EViews為何會突然崩潰。 我覺得不應該。 使用MASS軟件包和rlm函數，使用方法=“ MM”，可以使用相同的穩健回歸方法在R中求解完全相同的模型。

萬一您遇到類似情況，我建議您嘗試在R中執行“穩健回歸MM”類型。 我不知道此過程在SAS，SPSS，Python，STATA和其他類似軟件中的相對彈性是多少。 希望在這一點上，任何一種都比EViews更具彈性。

這種類型的模型實際上不會導致軟件崩潰的可能性不大（經過無數次迭代之后，該算法並未收斂於解決方案）。 但是，根據我的經驗，就此而言，指標R的彈性閾值比EViews高得多。