混合回归模型已广泛用于各种异构数据,而大多数的混合回归模型是通过基于MLE的EM算法来估算的。当存在异常点时,MLE的不稳健性就会突显出来。针对于此,已经开发了许多稳健混合回归模型,如TLE、M估计、基于T分布的稳健混合回归模型以及基于惩罚函数的混合回归模型。关于基于惩罚函数的稳健混合回归模型现阶段只有基于L0罚函数和基于L1罚函数的这两种混合回归模型,本文在此基础上尝试使用基于SCAD惩罚函数的稳健混合回归模型和基于hard-ridge罚函数的稳健混合回归模型并探究它们的稳健性。本文针对上述的几种稳健混合回归模型,基于swamping(s)、masking(m)、joint detection(jd)、mse、time等几个方面探究各自的优缺点,并进一步探究不同惩罚函数如(SCAD、hard-ridge)结合RM~2稳健混合回归模型的效果。最后探究不同的稳健回归模型的经验崩溃点(异常值比例达到多少时候模型不再稳健)以及各自不同的适用范围。本文研究得出以下结论:(1)当x轴方向存在低杠杆点且y轴方向存在异常点的时候,不同稳健混合回归模型的崩溃点不同,其中以基于SCAD罚函数的稳健混合回归模型经验崩溃点最高,MEM-bisquare和基于t分布的稳健混合回归模型崩溃点最低。(2)当仅y轴方向存在异常值,在20%异常值的情况下所有的稳健混合回归模型均保持着稳健性。(3)在数据的残差项是基于t分布的情况下,结果仍然显示基于SCAD罚函数的稳健混合回归模型是最稳健的。(4)在存在20%的“坏的”高杠杆点的情况下,仍旧是基于SCAD罚函数的稳健混合回归模型最为稳健。(5)效率分析,在时间测度方面,TLE模型所耗费的时间最短。上述模拟实验都证明了基于SCAD罚函数的稳健混合回归模型具有很强的稳健性。