在实证研究中，经常发生某些单位的某些变量与样本中的其他观测值相差甚远的情况。这些极端的观察值或异常值通常会对统计分析的结果产生很大的影响——基于样本的结论可能会有很大的不同。虽然应用研究人员倾向于意识到这一点，但异常值的检测及其适当处理通常以相当草率的方式处理。造成这种习惯的一个原因似乎是缺乏适当的罐装程序，无法在出现异常值时使用健壮的方法。我们的论文旨在通过提出一种高度健壮的估计流行线性固定效应面板数据模型的方法来改善这种情况，并为其提供Stata代码。在国际企业活动的微观计量经济学领域的应用中，我们证明了异常值确实可以推动结果。