0

我开发了一个相当简单的多元回归计量经济学模型。我现在正在尝试运行稳健回归（EViews 称它们为稳健最小二乘）。我可以轻松运行稳健回归 M 估计。但是，每次我运行稳健回归 MM 估计时，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、收敛水平等来玩弄 MM 估计规范......我总是遇到同样的错误。

在 EViews 论坛上，另一位同事在 MM 估计和 S 估计方面遇到了完全相同的问题。论坛主持人表示，如果模型存在虚拟变量而没有那么多观察值，则此类估计可能无法收敛并产生上述错误。我的模型确实有虚拟变量。而且，其中一些没有那么多的观测值（时间序列数据中有 8 个连续观测值，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。

跟进上述内容，我就是这样做的。并且，使用 R 和 MASS 包使用 rlm() 函数运行稳健回归。就像在 EViews 中一样，我运行 M 估计没有问题。同样，我在尝试 MM 估计时也遇到了麻烦。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。因此，我通过首先消除所有虚拟变量来重新进行 MM 估计。正如预期的那样，它奏效了。接下来，我一次只添加一个虚拟变量，每次我重新运行我的 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。而且，现在我最终可以使用所有虚拟变量运行我的 MM 估计。我不

这使我得出结论，在这方面，R 比 EViews 更灵活一些。仔细检查后，我注意到我运行的 EViews M 估计是双平方类型（与常规的 Huber 相比）。这有很大的不同。当我在 R 中运行 bisquare 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，这是可以预料的。

4

1 回答 1

0

正如您在我的评论中看到的那样，我在这个问题上做了很多工作。最后，我不清楚为什么 EViews 在使用具有一些虚拟变量的模型运行 MM 估计类型的稳健回归时有条不紊地崩溃。我觉得不应该。使用相同稳健回归方法的完全相同的模型可以在 R 中使用 MASS 包和 rlm 函数使用 method = "MM" 求解。

如果您发现自己处于类似情况，我建议您尝试在 R 中执行 Robust Regression 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弹性是什么。希望在这方面，其中任何一个都比 EViews 更具弹性。

这种类型的模型实际上可能导致软件崩溃并非不可能（经过多次迭代，算法并未收敛到解决方案）。但是，如果我的经验是任何指标 R 在这个计数上比 EViews 具有更高的弹性阈值。

于 2015-12-29T23:10:33.927 回答