纳入交互项后稳健回归算法不收敛该如何解决？

场景说明 #

建模目标为复现带交互项的线性回归方程，评估缓解措施有效性，因数据存在明显异常值、异方差问题选用稳健回归方法，测试发现：

• 仅纳入主效应的模型形式为 $Y = \beta_0 + \beta_1X_1 + \beta_2Z_1 + \epsilon$ 时，robustbase::lmrob()、estimatr::lm_robust()均可正常输出结果
• 纳入交互项后模型形式变为 $Y = \beta_0 + \beta_1X_1 + \beta_2Z_1 + \beta_3(X_1 \times Z_1) + \epsilon$ 时，两个函数均报算法不收敛错误
• 交互项对模型拟合度提升显著，需保留在稳健回归模型中

可行解决步骤 #

按优先级从高到低尝试，绝大多数场景下前两步即可解决问题：

• 先对连续自变量做中心化再构造交互项
  交互项和主效应的多重共线性是这类收敛失败的最常见诱因。不要直接用原始变量相乘生成交互项，先对连续型的X1、Z1做均值中心化，再用中心化后的变量计算交互项，该操作不会改变交互项的系数显著性、模型整体拟合效果，仅会调整主效应和截距项的解释逻辑，完全不影响核心结论复现。参考代码：

  # 对连续自变量做均值中心化
  df$X1_c <- df$X1 - mean(df$X1, na.rm = TRUE)
  df$Z1_c <- df$Z1 - mean(df$Z1, na.rm = TRUE)
  # 生成中心化后的交互项
  df$X1Z1_c <- df$X1_c * df$Z1_c
  

• 调整稳健回归函数的收敛参数
  中心化后仍报错的话，适当放宽收敛阈值、调高最大迭代次数，不要直接用默认的严格收敛参数。以lmrob为例：

  library(robustbase)
  # 自定义收敛控制参数
  my_ctrl <- lmrob.control(
    max.it = 1000, # 将默认50-100次的最大迭代次数调高
    k.max = 100,
    eps = 1e-6, # 适当放宽收敛判定阈值
    method = "MM" # 选用收敛性和稳健性均衡的MM估计
  )
  # 拟合模型
  mod <- lmrob(Y ~ X1_c + Z1_c + X1Z1_c, data = df, control = my_ctrl)
  

  如果用lm_robust，可尝试切换se_type参数为"HC1"，降低标准误计算的复杂度，减少迭代负担。
• 清理明确错误的极端高杠杆点
  交互项会放大异常值的杠杆效应，先通过普通OLS回归计算库克距离，仅剔除Cook's D大于4/(n-k-1)的、明确属于录入错误/逻辑矛盾的极端离群记录，不要随意删除正常范围内的离群观测（稳健回归本身就是为了适配这类观测），再重新拟合模型。
• 换用收敛性更稳定的稳健回归实现
  以上方法都无效的话，换用MASS::rlm()实现稳健回归，其Huber M估计的收敛稳定性优于MM估计，拟合完成后用sandwich包手动计算异方差稳健标准误即可，结果和前两个包的输出偏差通常在可接受范围内，完全满足异常值、异方差的处理需求。参考代码：

  library(MASS)
  library(sandwich)
  library(lmtest)
  # 拟合稳健回归
  mod_rlm <- rlm(Y ~ X1_c + Z1_c + X1Z1_c, data = df, maxit = 1000)
  # 输出异方差稳健标准误下的系数结果
  coeftest(mod_rlm, vcov = vcovHC(mod_rlm, type = "HC1"))
  

内容的提问来源于stack exchange，提问作者tookja