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鲁棒回归（EViews称之为鲁棒最小二乘）。我可以很容易地运行稳健回归M-估计。但是，每次我运行稳健回归MM估计时，我都会遇到同样的错误："达到了奇异子样本的最大数量。"我通过增加/减少迭代次数、收敛级别等来玩弄MM估计规范。我总是会遇到相同的错误。
在EViews论坛上，另一位同事遇到了MM估计和S估计完全相同的问题。论坛主持人表示，如果一个模型存在伪变量，而没有那么多观测结果，那么这种估计可能不会达到收敛，并产生上述误差。我的模型确实有伪变量。而且，他们中的一些人没有那么多观测值（在217个观测值的时间序列数据中有8个连续观测值）。然而，我不清楚这是EViews的限制，还是真的是算法的限制。我可能会尝试在R中重新运行MM估计。然后，看看它是否可行。
继上述内容之后，我就这么做了。并且，使用R和使用rlm（）函数的MASS包运行稳健回归。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，我收到了一条错误消息，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伪变量来重新进行MM估计。正如预测的那样，它奏效了。接下来，我一次只添加一个伪变量，每次都重新进行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。现在，我终于可以用所有的伪变量运行MM估计了。我不知道为什么一开始我不能同时运行所有的伪变量（也许我在编码中出错了）。
这让我得出结论，在这方面，R比EViews更灵活。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类型）。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。两者之间有细微的差别。考虑到求解过程是迭代的，这是可以预期的。
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在使用具有一些伪变量的模型运行MM估计类型的稳健回归时会有条不紊地崩溃。我觉得不应该。使用相同的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函数使用方法="MM"求解。
如果你发现自己处于类似的情况，我建议你尝试在R中进行稳健回归MM类型。我不知道在SAS、SPSS、Python、STATA和其他类似软件中，这个过程的相对弹性是什么。希望在这一点上，其中任何一个都比EViews更有弹性。
这种类型的模型实际上不太可能导致软件崩溃（经过多次迭代，算法没有收敛到解决方案）。但是，如果我的经验是任何指标的话，R在这方面的resiliance阈值比EViews高得多。