Fama-MacBeth两步回归中第一步时序回归之所以关键，是因为它承担了**估计因子暴露（因子载荷）**的核心任务。这一步如果估计不准，第二步截面回归中计算出的因子收益率就会失真，整个模型对资产定价的解释力将大打折扣。
第一步时序回归的核心作用
第一步是对每只股票单独做时间序列回归，将股票收益率对因子收益率进行回归，得到每个股票对每个因子的暴露系数（如市场β、市盈率因子暴露等）。这些暴露系数是第二步截面回归的自变量，相当于截面回归的“输入数据”。如果暴露估计有偏、噪声大或存在变量误差，第二步回归得到的因子收益率就会系统性地偏离真实值。暴露估计的准确性直接决定第二步回归的有效性，这是Fama-MacBeth方法区别于传统截面回归的关键设计——它通过两步分离了时间序列和截面信息，避免了对残差结构的错误假设。
暴露估计不准如何导致失真
暴露估计不准会引发经典的变量误差（Errors-in-Variables）问题。例如，如果某只股票市盈率因子暴露的真实值为1.5，但第一步回归因样本期短或波动大而低估为1.2，第二步截面回归在估计市盈率因子的收益率时，就会用这个偏小的暴露去拟合实际收益率，导致因子收益率被高估或低估。更严重的是，这种误差在截面中并非随机分布——高波动或小市值股票的暴露估计通常更不稳定，容易在第二步中产生系统性偏差，使得因子收益率出现伪显著或伪不显著，误导对资产定价模型的判断。
误判市盈率因子暴露的后果
以市盈率因子为例，若第一步回归因样本期过短（如仅12个月）导致对某成长股的市盈率因子暴露估计偏低，第二步回归可能错误地认为该股票的收益率主要由其他因子驱动。当市场进入周期拐点时，市盈率因子暴露本应敏感地反映估值变化，但偏低的估计会使得第二步回归给出的市盈率因子收益率无法捕捉这种变化，进而错误推断周期拐点的时机或幅度。历史上常见的情形是，低估价值股的市盈率暴露会使其在衰退期被误判为“安全”，而高估成长股的暴露则可能使其在扩张期被过度配置。
简短总结
第一步时序回归是Fama-MacBeth方法的根基，暴露估计的精度决定了整个两步法的可靠性。投资者在应用该模型时，应关注样本期长度、因子正交化处理以及暴露估计的统计稳定性。
常见问题
第一步回归的样本期多长比较合适？
通常建议至少覆盖60个月（5年）的月度数据，以平衡估计精度和样本代表性。样本期过短（如12个月）容易导致暴露估计噪声大，过长（如10年以上）则可能引入结构变化。具体窗口长度应根据资产类别和市场稳定性调整，并参考行业惯例。
变量误差问题在Fama-MacBeth中如何缓解？
常用的方法包括：使用滚动窗口估计暴露、对暴露进行分组排序（如按市值分组后取组内平均暴露）、以及采用两步修正（如Shanken修正）调整第二步回归的标准误。这些方法不能完全消除变量误差，但可以降低其对因子收益率估计的影响。
小市值股票的暴露估计为什么更容易出错？
小市值股票通常交易量低、价格波动大，导致第一步时序回归中的残差方差较高。高残差方差会使得暴露估计的置信区间更宽，更容易在第二步中引入系统性偏差。投资者在分析小盘股时应警惕暴露估计的不稳定性，可考虑使用更长的样本期或分组估计来改善。