更新以反映截至2018年秋季的Fama-MacBeth的库状况。此fama_macbeth功能已删除pandas了一段时间。那么您有什么选择呢？
如果您使用的是python 3，则可以在LinearModels中使用Fama-MacBeth方法：https : //github.com/bashtage/linearmodels/blob/master/linearmodels/panel/model.py
如果您使用的是python 2或只是不想使用LinearModels，那么最好的选择就是自己动手。
例如，假设您在类似以下的面板中拥有Fama-French行业投资组合（您还计算了一些变量，例如过往的beta或过往的收益用作x变量）：
In [1]: import pandas as pd
import numpy as np
import statsmodels.formula.api as smf
In [4]: df = pd.read_csv('industry.csv',parse_dates=['caldt'])
df.query("caldt == '1995-07-01'")
In [5]: Out[5]:
industry caldt ret beta r12to2 r36to13
18432 Aero 1995-07-01 6.26 0.9696 0.2755 0.3466
18433 Agric 1995-07-01 3.37 1.0412 0.1260 0.0581
18434 Autos 1995-07-01 2.42 1.0274 0.0293 0.2902
18435 Banks 1995-07-01 4.82 1.4985 0.1659 0.2951
Fama- MacBeth主要涉及逐月计算相同的横截面回归模型，因此您可以使用来实现groupby。您可以创建一个函数dataframe（该函数来自groupby）和patsy公式；然后拟合模型并返回参数估计值。这是如何实现它的准系统版本（请注意，这是几年前原始提问者试图做的事情……不确定为什么它不起作用，尽管可能那时statsmodels结果对象方法params未返回pandasSeries因此需要将返回值Series显式转换为…在当前版本的pandas0.23.4中确实可以正常工作）：
def ols_coef(x,formula):
return smf.ols(formula,data=x).fit().params
In [9]: gamma = (df.groupby('caldt')
.apply(ols_coef,'ret ~ 1 + beta + r12to2 + r36to13'))
gamma.head()
In [10]: Out[10]:
Intercept beta r12to2 r36to13
caldt
1963-07-01 -1.497012 -0.765721 4.379128 -1.918083
1963-08-01 11.144169 -6.506291 5.961584 -2.598048
1963-09-01 -2.330966 -0.741550 10.508617 -4.377293
1963-10-01 0.441941 1.127567 5.478114 -2.057173
1963-11-01 3.380485 -4.792643 3.660940 -1.210426
然后只需计算均值，均值的标准误和t检验（或所需的任何统计数据）即可。类似于以下内容：
def fm_summary(p):
s = p.describe().T
s['std_error'] = s['std']/np.sqrt(s['count'])
s['tstat'] = s['mean']/s['std_error']
return s[['mean','std_error','tstat']]
In [12]: fm_summary(gamma)
Out[12]:
mean std_error tstat
Intercept 0.754904 0.177291 4.258000
beta -0.012176 0.202629 -0.060092
r12to2 1.794548 0.356069 5.039896
r36to13 0.237873 0.186680 1.274230
使用statsmodels的回归有显著的开销（特别是考虑到你只需要估计系数）。如果您想提高效率，则可以从切换statsmodels到numpy.linalg.lstsq。编写一个执行ols估计的新函数…类似以下内容（注意，我没有做类似检查这些矩阵的等级的操作…）：
def ols_np(data,yvar,xvar):
gamma,_,_,_ = np.linalg.lstsq(data[xvar],data[yvar],rcond=None)
return pd.Series(gamma)
如果您仍在使用旧版本的pandas，则可以使用以下功能：
这是在中使用fama_macbeth函数的示例pandas：
>>> df
y x
date id
2012-01-01 1 0.1 0.4
2 0.3 0.6
3 0.4 0.2
4 0.0 1.2
2012-02-01 1 0.2 0.7
2 0.4 0.5
3 0.2 0.1
4 0.1 0.0
2012-03-01 1 0.4 0.8
2 0.6 0.1
3 0.7 0.6
4 0.4 -0.1
注意，结构。该fama_macbeth函数期望y-var和x-vars具有一个以日期为第一个变量，以股票/公司/实体id为第二个变量的多重索引：
>>> fm = pd.fama_macbeth(y=df['y'],x=df[['x']])
>>> fm
----------------------Summary of Fama-MacBeth Analysis-------------------------
Formula: Y ~ x + intercept
# betas : 3
----------------------Summary of Estimated Coefficients------------------------
Variable Beta Std Err t-stat CI 2.5% CI 97.5%
(x) -0.0227 0.1276 -0.18 -0.2728 0.2273
(intercept) 0.3531 0.0842 4.19 0.1881 0.5181
--------------------------------End of Summary---------------------------------
请注意，仅打印fm调用fm.summary
>>> fm.summary
----------------------Summary of Fama-MacBeth Analysis-------------------------
Formula: Y ~ x + intercept
# betas : 3
----------------------Summary of Estimated Coefficients------------------------
Variable Beta Std Err t-stat CI 2.5% CI 97.5%
(x) -0.0227 0.1276 -0.18 -0.2728 0.2273
(intercept) 0.3531 0.0842 4.19 0.1881 0.5181
--------------------------------End of Summary---------------------------------
另外，请注意，该fama_macbeth函数会自动添加一个拦截器（与statsmodels例程相反）。而且x- var必须是a，dataframe因此，如果您仅传递一列，则需要将其传递为df[['x']]。
如果您不想拦截，则必须执行以下操作：
>>> fm = pd.fama_macbeth(y=df['y'],x=df[['x']],intercept=False)
602392714
清零编程群