使用線性模型庫在 Python 中進行 Fama-MacBeth 回歸
我對 Python 中的 Fama-MacBeth 回歸有疑問。有一個名為的庫
linearmodels，其中包含FamaMacBeth類下的此過程。然而，當我在尋找一些例子時，我從一本流行的書中找到了這個 Notebook 。所以我想知道為什麼當在同一個庫中有一個名為（文件可用here
LinearFactorModel）的單獨類時，作者使用該類來估計 Fama-MacBeth 回歸？我可能會遺漏其中的估計程序的一些細微差別。FamaMacBeth
這不完全是一個答案，但我希望討論一些事情。
LinearFactorModel絕對不是 Fama-Macbeth 回歸。第一階段看起來一樣，但第二階段只進行一次回歸，內生變數是超額收益的平均值，而在 Fama-Macbeth 回歸中，應該有 T 個回歸，每個時間段一個，最終估計量應該是 T 組估計量的平均值。
另一方面，FamaMacBeth似乎沒有 2 階段 Fama-Macbeth 回歸的第一階段，它應該是 N 個回歸，每個資產一個。我想如果因子是返回值，您可以手動執行第一階段，但 p 值將不正確。
由於 linearmodels 包的作者 Kevin Sheppard 似乎沒有完全掌握這個概念，情況變得更加複雜。在他的範例：Fama-Macbeth Regression中，您可以在程式碼塊 3 中清楚地看到，他通過取超額收益的平均值來執行“LinearFactorModel”類型的回歸。我相信他確實是計量經濟學方面的專家，但他在這裡可能有點困惑。線性模型的文件也有點缺乏。
我也一直在尋找一個完善的用於 2 階段 Fama-Macbeth 回歸的 python 包（因為我發現很難推導出估計量的分佈以及信賴區間），但到目前為止還沒有令人滿意的結果。
@Jerry，考慮到凱文範例中的 beta 值是恆定的而不是隨時間變化的，他的方法是正確的。當 beta 估計值不隨時間變化時，無論您在回歸之前還是之後計算時間序列平均值，橫截面回歸和 Fama-MacBeth 回歸都會產生相同的結果。然而，原始論文 (FM, 1973) 使用滾動視窗來估計 beta，然後使用 T 方程來估計風險溢價。我認為他的包的輕微缺點是沒有參數來調整 beta 估計視窗，因此它的第二階段與通常的橫截面回歸沒有什麼不同。