Fama–MacBeth回归通过两步法将因子间的相互影响从定价估计中剥离：第一步对每个时间点的截面数据进行回归，估计每只股票在各因子上的载荷（即因子暴露）；第二步将所有时间点的回归系数取时间序列平均，得到因子价格的稳健估计。这一过程避免了传统排序法中因子暴露混叠的问题，从而给出更准确的因子定价结果。
两步法的核心机制
第一步：截面回归估计因子载荷
在每个时间点 ( t )，对所有股票的收益率与因子暴露做横截面回归。例如，对于三因子模型，回归方程为：
[
R_{i,t} = \lambda_{0,t} + \lambda_{1,t} \beta_{i,市场} + \lambda_{2,t} \beta_{i,规模} + \lambda_{3,t} \beta_{i,价值} + \varepsilon_{i,t}
]
其中 ( \beta ) 是预先估计的因子暴露（通常通过滚动时间窗口回归得到）。这一步在每个 ( t ) 产生一组因子价格估计 ( \lambda_{t} )。
第二步：时间序列平均
将所有 ( T ) 个时间点的 ( \lambda_{t} ) 取均值，得到因子价格的最终估计：
[
\hat{\lambda}k = \frac{1}{T} \sum{t=1}^{T} \lambda_{k,t}
]
标准误则通过时间序列的标准差计算，自动处理了截面相关性。
规避因子间暴露偏差的关键设计
1. 独立估计因子载荷
在Fama–MacBeth中，因子暴露（如 ( \beta_{市场} )、( \beta_{规模} )）通常是预先估计的，并不在截面回归中同时求解。这意味着每只股票在各因子上的暴露是独立计算的，避免了因子间暴露在回归方程中相互干扰。
2. 截面回归控制多重暴露
第二步的截面回归将多个因子暴露同时纳入方程，相当于在统计上控制了其他因子的影响。例如，当估计市场因子价格时，模型已经将规模因子和价值因子的暴露作为控制变量，从而分离出市场因子独有的贡献。
3. 时间序列平均降低噪声
由于因子价格在时间序列上可能波动，取平均可以消除短期噪声，同时保留了估计的稳健性。标准误基于时间序列的波动性计算，无需假设误差项的独立同分布。
与排序法的对比优势
| 维度 | 排序法 | Fama–MacBeth回归 |
|---|---|---|
| 因子暴露处理 | 单因子分组，忽略其他因子暴露 | 多因子同时回归，控制相互影响 |
| 结果解释 | 分组收益率差异可能包含其他因子贡献 | 因子价格直接反映该因子的边际贡献 |
| 样本利用率 | 分组可能损失信息 | 使用全部股票和全部时间点 |
| 统计推断 | 依赖分组假设，标准误不明确 | 时间序列标准误，推断更可靠 |
总结：Fama–MacBeth回归通过独立估计因子载荷、截面回归同时控制多因子暴露、以及时间序列平均三个环节，系统性地剔除因子间的相互影响，使得因子定价结果更能反映该因子自身的风险溢价，而非其他因子的间接贡献。
常见问题
Fama–MacBeth回归中的因子暴露如何预先估计？
因子暴露通常通过滚动时间窗口回归获得。例如，对每只股票，用过去36个月的收益率与市场、规模、价值因子做时间序列回归，得到的系数作为该股票在当期各因子上的暴露。这一步骤独立于后续的截面回归，保证了暴露估计的纯净性。
如果两个因子高度相关，Fama–MacBeth回归还能有效分离吗？
高度相关（如价值因子与盈利因子）会带来多重共线性问题，但Fama–MacBeth回归的时间序列平均步骤能部分缓解：每个时间点的截面回归中，共线性会导致系数估计的方差增大，但时间序列平均后，只要共线性结构在时间上不稳定，均值仍可收敛到真实值。实践中建议先通过因子正交化或主成分分析降低相关性。
为什么Fama–MacBeth回归的标准误不需要调整截面相关性？
因为第二步只对时间序列的系数取平均，标准误直接来自这些系数的时间序列标准差。截面相关性已经在每个时间点的截面回归中通过OLS处理，而时间序列平均步骤假设不同时间点的系数是独立的，这在金融数据中通常成立（收益率时间序列自相关弱）。