Fama–MacBeth 1973 两步法详解-xtfmb-asreg

发布时间：2021-02-06 阅读 26969

Stata连享会主页 || 视频 || 推文 || 知乎

温馨提示： 定期清理浏览器缓存，可以获得最佳浏览体验。

New！ lianxh 命令发布了：
随时搜索连享会推文、Stata 资源，安装命令如下：
. ssc install lianxh
使用详情参见帮助文件 (有惊喜)：
. help lianxh

✌ 课程详情： https://gitee.com/arlionn/Course | lianxh.cn

✨ 课程主页： https://gitee.com/arlionn/Course

作者：彭礼敏 (中山大学)
邮箱：penglm3@mail2.sysu.edu.cn

1. 方法概述

Fama 和 MacBeth (1973) 提出了两阶段截面回归方法 (下文简称 FM 方法或 FM 回归) ，用于检验资产预期收益和因子暴露在截面上是否呈线性关系。以原文 Period1 (1926.7-1938.7) 为例，FM 方法具体过程如下：

1.1 第一阶段：时序回归

首先，作者用前四年的数据 (1926.7-1929.6) 估计 435 个股票的 $β_{i}$ ，即共进行了 435 次时长 48 个月的时序回归。估计式如下：

{\tilde{R}}_{i t} = α_{i} + β_{i} {\tilde{R}}_{m t} + {\tilde{ϵ}}_{i t}, t = 1926.7 . . .1929 .6

基于估计值 ${\hat{β}}_{i}$ ，将个股分为 20 个投资组合。分组完成后，又用随后五年的数据 (1929.7-1934.6) 再次估计上式。然后，对投资组合 $p$ 中的所有个股市场贝塔的估计值 ${\hat{β}}_{i}$ 、市场贝塔估计值的平方 ${\hat{β}}_{i}^{2}$ 取平均后就可以得到对应投资组合 $p$ 的 ${\hat{β}}_{p, t_{0}}$ 和 ${\hat{β}}_{p, t_{0}}^{2}$ 。同理，也可以得到组合的残差标准差 ${\bar{s}}_{p, t_{0}} ({\hat{ϵ}}_{i})$ 。其中，下标 $t_{0}$ 表示 1934.6。

在 1934.7-1938.6 期间，继续每年重新估计上式，即每年更新个股 $β_{i}$ 。同时，每月对投资组合的个股构成进行调整——去掉退市的股票，并重新计算投资组合 $p$ 的 ${\hat{β}}_{p, t}$ ， ${\hat{β}}_{p, t}^{2}$ 和 ${\bar{s}}_{p, t} ({\hat{ϵ}}_{i})$ ，下标 $t$ 对应 1934.7-1938.6 间的各个月份。

1.2 第二阶段：截面回归

在 1934.7-1938.7 期间，对每个投资组合，以前一月的市场因子载荷估计的均值 ${\hat{β}}_{p, t - 1}$ 、市场因子载荷估计均值的平方 ${\hat{β}}_{p, t - 1}^{2}$ 和残差标准差均值 ${\bar{s}}_{p, t - 1}$ 作为自变量，以本月收益率 $R_{p, t}$ 为因变量，通过下式估计斜率 $γ$ ：

R_{p t} = γ_{0 t} + γ_{1 t} {\hat{β}}_{p, t - 1} + γ_{2 t} {\hat{β}}_{p, t - 1}^{2} + γ_{3 t} {\bar{s}}_{p, t - 1} ({\hat{ϵ}}_{i}) + η_{p t}, p = 1, 2. . .20

其中， $γ_{1 t}$ ， $γ_{2 t}$ 和 $γ_{3 t}$ 分别代表了市场贝塔风险溢价、非线性的市场贝塔风险溢价和非贝塔风险溢价。基于上式，文章主要检验以下假设：

C1 (线性性)： $E (γ_{2 t}) = 0$
C2 (非 $β$ 风险不是系统性风险)： $E (γ_{3 t}) = 0$
C3 (回报-风险权衡期望为正)： $E (γ_{1 t}) = E (R_{m t}) - E (R_{f t}) > 0$

上述假设的理论依据为：如果 CAPM 成立，那么 $β_{p}$ 就是关于投资组合 $p$ 市场风险暴露的完整测度，则 $β_{p}$ 和 $R_{p t}$ 应该有严格的线性关系，且斜率为正，即 $E (γ_{1 t}) > 0$ ，而其它变量对 $R_{p t}$ 不应该有额外的解释能力，即 $γ_{3 t}$ 代表的非市场贝塔风险溢价和 $γ_{2 t}$ 代表的非线性市场贝塔风险溢价期望应该为 0。

1.3 两阶段过程总结

2. 模型设定

上文简要介绍了 FM 回归在 Fama 和 MacBeth (1973) 文中的应用，接下来，我们将具体介绍模型是如何设定的。

从最简单的 CAPM 模型开始：

E (R_{i}) - R_{f} = β_{i} [E (R_{M k t}) - R_{f}] i = 1, 2, . . ., N

其中， $E (R_{i})$ 、 $E (R_{M k t})$ 分别指资产预期收益率和市场组合预期收益率， $R_{f}$ 是无风险利率， $β_{i}$ 是资产 $i$ 对市场风险的因子暴露， $E (R_{M k t}) - R_{f}$ 是市场组合风险溢价。上式说明了任何资产 $i$ 的超额收益都由其对系统风险的暴露决定，即刻画了单个资产预期超额收益率在截面上和市场贝塔的线性关系。

用 $R^{e i}$ 表示资产 $i$ 的超额收益，即 $R^{e i} = R_{i} - R_{f}$ 。用 $λ$ 表示市场组合风险溢价，即 $λ = E (R_{M k t}) - R_{f}$ ，那么 CAPM 可以写为下式：

E (R^{e i}) = β_{i}^{'} λ i = 1, 2, . . ., N

更一般的，如果有 $k$ 个因子， $λ$ 就是 $k$ 维因子溢价向量， $β_{i}$ 是资产 $i$ 在 $k$ 个因子上的 $k$ 维因子暴露向量。我们希望通过估计 $λ$ 来检验模型中资产预期超额收益和因子暴露向量 $β$ 的线性关系是否稳健，并确定定价误差的大小。

对于上述模型，FM 方法分两步进行估计：

第一步：先对各个资产 $i$ 进行时间序列回归，估计 $β_{i}$ ：

$R_{t}^{e i} = a_{i} + β_{i}^{'} f_{t} + ε_{t}^{i}, t = 1, 2, . . ., T$
第二步：用第一步得到的 $\hat{β_{i}}$ 作为自变量，在各个时期 $t$ 分别做截面回归：

$R_{t}^{e i} = {\hat{β}}_{i}^{'} λ_{t} + α_{i t}, i = 1, 2, . . ., N$

最后，对每一期估计结果 ${\hat{λ}}_{t}$ 、 ${\hat{α}}_{i t}$ 在时序上取平均得到 $λ$ 和 $α_{i}$ 的估计：

\hat{λ} = \frac{1}{T} \sum_{t = 1}^{T} {\hat{λ}}_{t}

{\hat{α}}_{i} = \frac{1}{T} \sum_{t = 1}^{T} {\hat{α}}_{i t}

$\hat{λ}$ 和 ${\hat{α}}_{i}$ 的标准误可以由各个时期截面回归 ${\hat{λ}}_{t}$ ， ${\hat{α}}_{i t}$ 的标准差得到：

σ^{2} (\hat{λ}) = \frac{1}{T^{2}} \sum_{t = 1}^{T} ({\hat{λ}}_{t} - \hat{λ})^{2}

σ^{2} ({\hat{α}}_{i}) = \frac{1}{T^{2}} \sum_{t = 1}^{T} ({\hat{α}}_{i t} - {\hat{α}}_{i})^{2} .

FM 方法的优势是得到了异方差稳健的标准误，且修正了面板数据在截面上的相关性。此外，由于第二步是每期做一次截面回归，所以允许使用时变的 $β$ 做自变量。然而，这种以第一阶段估计量作为第二阶段自变量的方法引入了变量误差问题 (EIV 问题)，且 FM 标准误对残差序列时序相关是不一致的，这就需要对标准误进行修正。

EIV 问题和修正

由于以第一阶段估计量作为第二阶段自变量引入了 EIV 问题，FM 标准误是不一致的。Shanken (1992) 给出了对 EIV 的修正项。如果残差项 $ε$ 在时间上独立同分布且与因子收益率独立，均方误估计可以由下式给出 (Cochrane，2005；Shanken，1992)：

σ^{2} ({\hat{λ}}_{O L S}) = \frac{1}{T} [(β^{'} β)^{- 1} Σ β (β^{'} β)^{- 1} (1 + λ^{'} Σ_{f} λ) + Σ_{f}])

其中， $Σ_{f}$ 是第一阶段回归因子收益率协方差矩阵 $c o v (f_{t}, f_{t}^{'})$ ， $Σ$ 是第一阶段回归残差协方差矩阵 $c o v (ε_{t}, ε_{t}^{'})$ 。

时序相关问题和修正

当残差序列存在时序相关时，FM 标准误也是不一致的。Newey 和 West (1987) 的思路是在因子收益率协方差矩阵估计 ${\hat{ω}}_{0}$ 的基础上考虑自协方差矩阵的估计 ${\hat{ϕ}}_{j}$ ，并对其设置了一个随自相关阶数递减的平滑权重 $w (j, m)$ 。Newey 和 West (1987) 证明了 ${\hat{S}}_{T}$ 是半正定的，且是对真实协方差矩阵的相合估计。协方差矩阵由原文的 (5) 式给出：

{\hat{S}}_{T} = {\hat{ω}}_{0} + \sum_{j = i}^{m} w (j, m) [{\hat{ϕ}}_{j} + {\hat{ϕ}}_{j}^{'}], w (j, m) = 1 - [j / (m + 1)]

3. Stata 命令简介

对于 FM 回归，现有的两个命令 xtfmb 和 asreg fmb 都只是做了第二步截面回归，并都可以汇报 Newey-West 标准误。

3.1 asreg：两阶段回归

FM 第一阶段时序回归可以通过 asreg 的 bysort 和 window 选项对各个资产进行带滚动时间窗口的分组回归实现。

FM 第二阶段截面回归可以通过 asreg 的 fmb 选项实现。该选项在每一时期进行一次截面回归，最终汇报的系数估计值和 R 方是每次回归对应系数估计值和 R 方的均值。

[bysort varlist:] asreg depvar indepvars [if] [in] [, window(rangevar # )
        noconstant recursive minimum(#) by(varlist) {statistics_options}
        newey(#) fmb save(file name) first]

主要选项的含义为：

bysort varlist: 按 varlist 中的变量进行分组回归；
depvar：被解释变量；
indepvars：解释变量；
window(rangevar # ): 设置滚动窗口长度，由 rangevar # 给出长度，如 window(year 24) 的意思就是时间长度对应 year 变量 24 个观测值；
recursive: 递归时间窗口，即固定起始时刻，结束时刻不断前移；
minimum(#): 设定在样本数高于 # 时才做回归；
by(varlist): 与 bysort varlist 功能相同，按 varlist 中的变量进行分组回归；
statistics_options: 汇报相应统计量，有 fitted, serror, rmse, nonconstant, other 五个选项；
fmb：进行 FM 第二阶段回归；
newey(#)：汇报考虑 # 阶滞后项异方差、自相关一致的 Newey-West (1987) 标准误，# 必须是整数；
save(file name)：将第二阶段回归每一期截面回归的系数估计值、R 方和调整后 R 方保存至 file name.dta；
first：显示第二阶段回归每一期截面回归的系数估计值、R 方和调整后 R 方。

3.2 xtfmb：第二阶段回归

与 asreg 的 fmb 选项相同， xtfmb 在每一时期进行一次截面回归，最终汇报每期截面回归系数估计值和 R 方的均值。

xtfmb depvar [indepvars] [if] [in] [weight] [, level(#) verbose lag(#)]

主要选项的含义为：

depvar：被解释变量；
indepvars：解释变量；
level(#)：设置汇报结果时的置信区间水平，默认是 95% 置信区间；
verbose：显示第二阶段回归每一期截面回归的系数估计值和 R 方；
lag(#)：汇报考虑 # 阶滞后项异方差、自相关一致的 Newey-West (1987) 标准误。

注意事项：

xtfmb 和 asreg fmb 帮助文件中说第一阶段是对每期进行截面回归，第二阶段是取每期系数平均得到最终估计值。这里的第一、二阶段实际都是 FM 第二阶段回归；
在使用 xtfmb 之前，要对数据进行 tsset；
asreg fmb 在估计 Newey-West 标准误时允许数据集在时间序列上有缺失，而 xtfmb 会报错。

4. Stata 实现

下面我们用投资组合数据估计一个简单的 CAPM 模型，来说明 FM 两阶段回归的基本步骤。其中，数据来源于「Ken French 主页」的研究数据，主要使用了「25 Portfolios Formed on Size and Book-to-Market」中的 25 个投资组合 1926.7-2020.10 期间的月度收益率，和「Fama/French 3 Factors」中的无风险收益、市场超额收益数据。主要变量如下：

port_num：投资组合序号
t：时期 (月度)
mktrf：市场组合超额收益率
rpe: 25 个投资组合超额收益率
beta: 第一阶段回归 $β$ 估计量
Lbeta: beta 的一阶滞后项 (前一月 beta )

经过初步处理后数据形式如下：

*完整数据和程序地址：https://gitee.com/arlionn/data/tree/master/data01/Fama-Macbeth
list in 1131/1135

      +--------------------------------------+
      | port_num         t    mktrf      rpe |
      |--------------------------------------|
1.    |        1    2020m9   -0.036   -0.002 |
2.    |        1   2020m10   -0.021   -0.032 |
3.    |        2    1926m7    0.030   -0.033 |
4.    |        2    1926m8    0.026   -0.056 |
5.    |        2    1926m9    0.004   -0.018 |
      +--------------------------------------+

主要描述性统计量如下：

. tabstat mktrf rpe if (t>=ym(1930,1) & t<=ym(1938,12)), ///
          stats(mean sd min max p1 p25 p50 p75 p99)      ///
          column(s) long  format(%4.3f)

 variable |  mean     sd     min    max      p1     p25    p50    p75    p99
----------+-----------------------------------------------------------------
    mktrf | 0.005  0.107  -0.291  0.389  -0.238  -0.062  0.004  0.057  0.371
      rpe | 0.013  0.179  -0.532  1.546  -0.319  -0.088  0.002  0.078  0.702
----------------------------------------------------------------------------

结果显示，收益率方差较大，且存在异常值。由于缩尾处理后对整体结果没有太大影响，因此后文使用了未经缩尾的原始数据。

4.1 第一阶段：时序回归

第一阶段使用 asreg 估计 $β_{p t}$ ， $p = 1, 2. . .25$ ，窗口为 60 个月，每次向后移动一个月。第一个窗口是 1930m1-1934m12，最后一个窗口是 1933m12-1938m11，每个窗口对于 25 个投资组合都有 60 个观察值，一共做了 25*48 次时序回归。

在第一个滚动窗口 (1930m1-1934m12)，对每个投资组合 $p$ 估计下式：

R_{p, t} - R_{f, t} = a_{p, t} + β_{p, 1934 m 12} (R_{M k t, t} - R_{f, t}) + ε_{p, t}

其中， $t = 1930 m 1, 1930 m 2, . . ., 1934 m 12$ 。

使用 bysort 和 asreg 实现对每个投资组合的滚动窗口回归：

bys port_num: asreg rp mktrf if (t>=ym(1930,1) & t<=ym(1938,12)) , wind(t 60) rmse se // 分组时序回归，窗口60月，每个投资组合为一组，保存rmse se
keep if _Nobs==60 // 保留样本数为60的
list in 46/50


     +---------------------------------------------------------------------------------------------------------------+
     | port_num         t   mktrf     rpe   _rmse   _Nobs    _R2   _adjR2   _b_mktrf   _b_cons   _se_mk~f   _se_cons |
     |---------------------------------------------------------------------------------------------------------------|
 1.  |        1    1938m9    0.01   -0.14    0.16      60   0.42     0.41       1.90     -0.00       0.29       0.02 |
 2.  |        1   1938m10    0.08    0.12    0.16      60   0.42     0.41       1.91     -0.00       0.29       0.02 |
 3.  |        1   1938m11   -0.02   -0.04    0.16      60   0.44     0.43       1.97     -0.00       0.29       0.02 |
 4.  |        1   1938m12    0.04    0.04    0.15      60   0.47     0.46       1.97      0.00       0.28       0.02 |
 5.  |        2   1934m12    0.00   -0.01    0.22      60   0.48     0.47       1.62      0.03       0.22       0.03 |
     +---------------------------------------------------------------------------------------------------------------+

对于投资组合 $p$ ， ${\hat{β}}_{p, 1934 m 12}$ 是由 1930m1-1934m12 的 60 个月度观测值估计出来的，作为第二阶段回归 t=1935m01 时的自变量，对应因变量 $r_{p, 1935 m 01}$ 。 ${\hat{β}}_{p, 1935 m 01}$ 是由 1930m2-1935m01 的 60 个月度观测值估计出来的，窗口向后滚动了一个月，作为第二阶段回归 t=1935m02 的自变量，对应因变量 $r_{p, 1935 m 02}$ 。

下面是 25 个投资组合时序回归的结果：

tabstat  _b_mktrf _se_mktrf _R2 _rmse, by(port_num) stat(mean) format(%4.2f) // pass1 均值

Summary statistics: mean
  by categories of: port_num (portfolio number)

port_num |  _b_mktrf  _se_mk~f       _R2     _rmse
---------+----------------------------------------
       1 |      1.89      0.26      0.48      0.21
       2 |      1.82      0.23      0.52      0.19
       3 |      1.87      0.15      0.72      0.12
                    (省略)
      23 |      1.26      0.04      0.95      0.03
      24 |      1.50      0.06      0.92      0.05
      25 |      1.69      0.12      0.78      0.10
---------+----------------------------------------
   Total |      1.50      0.10      0.81      0.08
--------------------------------------------------

4.2 第二阶段：截面回归

在正式做回归之前，大致查看下超额收益和市场 $β$ 估计值的关系：

该图画出了 1935m1 和 1938m1 两个时间节点上投资组合超额收益率 rpe 和上一月 $β$ 估计值 Lbeta 的关系，横轴是 Lbeta，纵轴是 rpe。通过 FM 第二阶段回归，市场组合风险溢价 $λ$ 就是在 1935m1 到 1938m12 间 48 个月每月进行截面回归得到的斜率的均值。

当前数据结构：

tsset port_num t

panel variable:  port_num (strongly balanced)
 time variable:  t, 1935m1 to 1938m12
        delta:  1 month

format rpe beta Lbeta %4.2f
list in 47/51

     +-------------------------------------------+
     | port_num         t     rpe   beta   Lbeta |
     |-------------------------------------------|
 1.  |        1   1938m11   -0.04   1.97    1.91 |
 2.  |        1   1938m12    0.04   1.97    1.97 |
 3.  |        2    1935m1   -0.07   1.62    1.62 |
 4.  |        2    1935m2   -0.16   1.62    1.62 |
 5.  |        2    1935m3   -0.15   1.63    1.62 |
     +-------------------------------------------+

第二阶段是以第一阶段 $β$ 的估计值作为自变量，从 1935m1 到 1938m12 每月进行 48 次截面回归。1935m1 的自变量是第一阶段 1930m1-1934m12 估计出来的 ${\hat{β}}_{p, 1934 m 12}$ ，1938m12 的自变量是 1933m12-1938m11 估计出来的 ${\hat{β}}_{p, 1938 m 11}$ 。beta 对应着第一阶段估出来的斜率系数 _b_mktrf，Lbeta 是在各个投资组合内取了 beta 的滞后项，也就是 $β_{p, t - 1}$ 。

对于第一次截面回归 ( $t$ =1935m1) ，我们用上一期 $β$ 估计值做为自变量，估计下式：

R_{p, t} - R_{f, t} = α_{p, t} + λ_{t} {\hat{β}}_{p, t - 1} + μ_{t}, p = 1, 2, . . ., 25

下面使用 xtfmb 进行第二阶段估计，基本的命令如下：

global regvar "rpe Lbeta"
xtfmb $regvar
est store m1

Fama-MacBeth (1973) Two-Step procedure  Number of obs     =      1200
                                        Num. time periods =        48
                                        F(  1,    47)     =      0.91
                                        Prob > F          =    0.3437
                                        avg. R-squared    =    0.2567
---------------------------------------------------------------------
       |         Fama-MacBeth
   rpe |   Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------+-------------------------------------------------------------
 Lbeta |   0.012      0.013     0.96   0.344       -0.014       0.038
 _cons |  -0.003      0.013    -0.22   0.823       -0.029       0.024
---------------------------------------------------------------------

verbose 选项给出每一时期截面回归的结果，lag(4) 选项汇报考虑四阶自相关的 Newey-West 修正标准误。

tfmb $regvar, verbose lag(4) // verbose显示每期回归的lambda_t，考虑四阶自相关的 newey-west correction
est store m2


Fama-MacBeth (1973) Two-Step procedure   Number of obs     =    1200
                                         Num. time periods =      48
                                         F(  1,    47)     =    0.75
                                         Prob > F          =  0.3899
Newey-West corrected SE (lag length: 4)  avg. R-squared    =  0.2567
--------------------------------------------------------------------
       |        Fama-MacBeth
   rpe |  Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------+------------------------------------------------------------
 Lbeta |  0.012      0.014     0.87   0.390       -0.016       0.041
 _cons | -0.003      0.012    -0.25   0.806       -0.027       0.021
--------------------------------------------------------------------

Coefficient estimates and R-squared of the cross-sectional regressions in step 1

  +-----------------------------------------+
  |    t       Lbeta    constant         R2 |
  |-----------------------------------------|
  | -300    -.024564    -.010588   .0349527 |
  | -299    -.163997    .1709705   .7057621 |
  | -298   -.0481288   -.0088595   .1374627 |
		(截取部分结果)
  | -255    .1308773   -.0390214   .2675762 |
  | -254   -.0661581     .058338   .3761048 |
  | -253   -.0134165    .0538785   .0088549 |
  |-----------------------------------------|
  | Mean    .0122536   -.0029518   .2567224 |
  |    N          48          48         48 |
  +-----------------------------------------+

下面使用 asreg fmb 实现同样的功能，基本命令如下：

asreg $regvar, fmb
estadd scalar r2_a = e(adjr2) //asreg fmb汇报的adjr2需要手动添加
est store m3

asreg $regvar, fmb first newey(4) save(FirstStage) //考虑四阶自相关的newey&west correction，保存lambda_t至FirstStage.dta
estadd scalar r2_a = e(adjr2)
est store m4

local mt "xtfmb xtfmb_newey asreg asreg_newey"
local m "m1 m2 m3 m4"
local t "Fama-Macbeth second pass regression"
local n "Data Source: Ken French Data Library"

esttab `m', title(`t') mtitle(`mt') star(* 0.1 ** 0.05 *** 0.01) r2 ar2 label nogap addnote(`n') b(%4.3f) t(%4.3f)

Fama-Macbeth second pass regression
-----------------------------------------------------------------------
                         (1)           (2)         (3)           (4)
                       xtfmb   xtfmb_newey       asreg   asreg_newey
-----------------------------------------------------------------------
beta_i,t-1             0.012         0.012       0.012         0.012
                     (0.956)       (0.868)     (0.956)       (0.868)
Constant              -0.003        -0.003      -0.003        -0.003
                    (-0.224)      (-0.247)    (-0.224)      (-0.247)
-----------------------------------------------------------------------
Observations            1200          1200        1200          1200
R-squared              0.257         0.257       0.257         0.257
Adjusted R-squared                               0.257         0.257
-----------------------------------------------------------------------
t statistics in parentheses
Data Source: Ken French Data Library
* p<0.1, ** p<0.05, *** p<0.01

上表的前两列是 xtmfb 的结果，后两列是 asreg fmb 的结果，(1)、(3) 列汇报了 FM 标准误，(2)、(4) 列是 Newey-West 修正标准误。

值得一提的是，asreg fmb 比 xtfmb 多了保存每一时期回归结果的功能，即 save 选项。此外 xtfmb 不返回调整后 R 方，需要我们手动计算。

除了 xtfmb 和 asreg fmb，也可以用 statsby 命令得到相似的结果，命令如下：

* 分组回归：以每个时期为一组
use pass1, clear
statsby _b _se, by(t): reg $regvar // 每期做一次截面回归

如果第二阶段回归有多个自变量，可以通过局部暂元和 foreach 语句简便快捷地得到它们的斜率估计值、标准误和 t 值：

local vars "_b_Lbeta"

foreach v of varlist `vars'{
  qui sum `v'
  scalar lambda_`v' = r(mean)
  scalar se_`v' = r(sd)/sqrt(r(N))
  scalar t_`v' = lambda_`v'/se_`v'
  disp in green "Second Pass result of " in yellow "`v'"
  disp in green "coefficient "  in yellow %4.3f lambda_`v'
  disp in green "standard error "  in yellow %4.3f  se_`v'
  disp in green "t statistics "   in yellow %4.3f t_`v'
  }
Second Pass result of _b_Lbeta
coefficient 0.012
standard error 0.013
t statistics 0.956

相比而言，这个方法能让我们看到 xtfmb、asreg fmb 不汇报的统计量，比如每次截面回归斜率的标准误，而 xtfmb、asreg fmb 能让我们更方便地获得 Newey-West 标准误。

6. 参考文献

知乎：Fama-Macbeth 中的两步回归的原理分别是什么？-Link-
知乎：股票多因子模型的回归检验 -Link-
Cochrane, J. H.,2005. Asset Pricing. Princeton University Press, New Jersey. pp. 229-251. -Link-
Jagannathan,R., et al., 2010. CHAPTER 14 - The Analysis of the Cross-Section of Security Returns. Handbooks in Finance, 2: 73-134. -Link-
Fama, E. F., MacBeth, J. D., 1973. Risk, Return, and Equilibrium: Empirical Tests. Journal of Political Economy, Vol. 81, No. 3, pp. 607-636. -Link-
Newey, W., West, K., 1987. A Simple, Positive Semi-definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, vol. 55, issue 3, 703-08. -Link-
Shanken, J., 1992. On the Estimation of Beta-Pricing Models. The Review of Financial Studies, Vol. 5, No. 1, pp. 1-33. -Link-
Petersen, M. A., 2009. Estimating Standard Errors in Finance Panel Data Sets: Comparing Approaches. The Review of Financial Studies, Vol. 22, No. 1, pp. 435-480. -Link-
Lewellen, J., et al., 2010. A skeptical appraisal of asset pricing tests. Journal of Financial Economics, Vol. 96, Issue 2, pp. 175-194. -Link-
Lewellen, J., 2015. The Cross-section of Expected Stock Returns. Critical Finance Review, vol. 4(1), pp. 1-44. -Link-
Dittmara, R. F., Lundblad, C. T., 2017. Firm characteristics, consumption risk, and firm-level risk exposures. Journal of Financial Economics, Vol. 125, Issue 2, pp. 326-343. -Link-
Bessembinder,H., ,et al., 2019. Characteristic-Based Benchmark Returns and Corporate Events. The Review of Financial Studies, Vol. 32, Issue 1, pp. 75–125.-Link-
Carhart, M., 1997. On Persistence in Mutual Fund Performance. Journal of Finance, vol. 52, issue 1, pp. 57-82. -Link-
Fama, E. F., French, K. R., 2002. Testing Trade-Off and Pecking Order Predictions About Dividends and Debt. The Review of Financial Studies, Vol. 15, Issue 1, January 2002, pp. 1–33. -Link-
Opler, T., et al., 1999. The determinants and implications of corporate cash holdings. Journal of Financial Economics 52, 3-46.-Link-

7. 相关推文

Note：产生如下推文列表的命令为：
lianxh 滚动分组, m
安装最新版 lianxh 命令：
ssc install lianxh, replace

专题	嘉宾	直播/回看视频
⭐ 最新专题		因果推断, 空间计量，寒暑假班等
⭕ 数据清洗系列	游万海	直播, 88 元，已上线
研究设计	连玉君	我的特斯拉-实证研究设计，-幻灯片-
面板模型	连玉君	动态面板模型，-幻灯片-
面板模型	连玉君	直击面板数据模型 [免费公开课，2小时]