加权回归在Fama-MacBeth分析中通过赋予不同截面（如时期）或不同股票以不同权重，来纠正异方差或样本量不均带来的估计偏差，从而提升因子载荷和风险溢价的可靠性。其核心逻辑是：让信息量更大、误差更小的观测对回归结果贡献更大。
加权回归的基本原理
普通最小二乘法（OLS）假设所有观测的误差方差相同（同方差）。但金融面板数据中，不同时期的股票数量、不同股票的波动率往往差异巨大。加权回归通过给每个观测点赋予一个权重 ( w_i )，使回归目标变为最小化加权残差平方和 ( \sum w_i (y_i - \hat{y}_i)^2 )。权重通常取误差方差倒数的估计值 ( w_i = 1/\hat{\sigma}_i^2 )，这样方差大的观测点贡献被压低，方差小的观测点贡献被提升。
在Fama-MacBeth回归中的具体应用
Fama-MacBeth（1973）两步法常用于估计因子风险溢价。第一步，用时间序列回归估计每只股票的因子载荷（beta）；第二步，用横截面回归估计因子溢价。加权回归主要作用于第二步。
- 第二步横截面回归：普通做法是对每个时期（如月度）做一次OLS回归，得到该时期的因子溢价估计值，然后取时间序列均值。但不同时期的股票数量可能不同（例如早期市场股票少，后期多），导致各期回归精度不同。加权Fama-MacBeth法用各期股票数量的平方根或残差方差的倒数作为权重，重新估计每期溢价，再取加权均值，避免样本量少的时期对最终结果产生过大影响。
- 第一步时间序列回归：也可使用加权回归，例如对波动率高的股票给予较低权重，以降低异常值对因子载荷估计的干扰。
权重设定的方法与考量
权重设定需要结合数据特征和研究目的，常见方法包括：
| 权重类型 | 设定依据 | 适用场景 |
|---|---|---|
| 样本量权重 | 各期股票数量平方根 | 截面样本量差异大时 |
| 残差方差权重 | 第一步回归残差方差的倒数 | 个股波动率差异明显时 |
| 市值权重 | 股票市值的某种函数 | 关注大市值股票主导效应时 |
权重设定不合理反而会引入新偏差。例如，若用市值权重，可能过度放大少数大盘股的影响力，使因子溢价估计偏向大市值股票特征。建议研究者先检验数据是否存在异方差或样本量不均，再选择权重，并做稳健性检验（如对比加权与不加权的结果）。
简短总结
加权回归在Fama-MacBeth分析中通过调整各期或各股的贡献，有效提升因子溢价估计的精度和稳健性。核心在于权重必须反映观测的信息质量，而非随意赋予。
常见问题
加权回归会改变因子溢价的方向吗？
可能。如果未加权时某些时期（股票）的异常值主导了结果，加权后这些异常值被压低，因子溢价的方向或大小可能发生变化。建议同时报告加权和未加权结果，供读者判断稳健性。
权重设定是否有标准做法？
没有唯一标准，但常见做法是使用各期股票数量的平方根或第一步回归残差方差的倒数。研究者也可以参考同领域顶尖期刊中类似研究采用的权重方案，并说明选择理由。
加权回归能否完全消除异方差问题？
不能。加权回归只能缓解异方差的影响，无法根除。更彻底的方案是使用异方差稳健标准误（如White标准误）来校正推断，两者可结合使用。