Фама МакБет против пула OLS

Question

У меня есть несбалансированная панель ежемесячных возвратов облигаций, и я хотел бы регрессировать их на нескольких возможных драйверов возврата. Существует перекрестная корреляция в остатках. В этом случае Петерсон показывает, что существует два способа оценки модели (Peterson (2009): оценка стандартных ошибок в наборах данных панели «Финансы»: сравнение подходов ):

• Fama МакБет (используя функцию pmg () в R): На первом шаге pmg () запускает регрессии поперечного сечения для каждого месяца. На втором этапе берется среднее по оценкам. Стандартные отклонения регрессионных оценок поперечного сечения используются для генерации ошибок выборки для этих оценок.

Fama_MacBeth<-pmg(R~SIZE+MOMENTUM+VOLA+Rating+Value+Duration+Liquidit, data=Data_Z, index=c("Date","ISIN"))

• POOL OLS со стандартными ошибками, сгруппированными по времени

OLS_Pooling<-plm(R~SIZE)+MOMENTUM)+VOLA)+Value+Rating+Duration+Liquidity, data=Data_Z, model='pooling', index=c('ISIN', 'Date'))

Pooling_Test<- coeftest(OLS_Pooling, vcov=function(x) vcovHC(x, cluster="time", type="HC1"))

Мои результаты, приведенные ниже, весьма различны для Pooled OLS и Fama MacBeth. Я знаю, что некоторая степень отклонения нормальна, но в моем случае даже некоторые положительные и отрицательные признаки различны.

 Dependent variable:     
                    ----------------------------
                                         R      
                     coefficient       mean     
                         test         groups    
                      Pooled OLS   Fama MacBeth 
                         (1)            (2)     
------------------------------------------------
Beta.DEF               -0.093         0.061*    
                       (0.061)        (0.034)   

SIZE                   -0.131***      -0.043**   
                       (0.020)        (0.017)   

MOMENTUM               -0.007         0.008    
                       (0.054)        (0.014)   

VOLA                   -0.257***      -0.022    
                       (0.051)        (0.017)   

Value                  -0.128***      0.019***   
                       (0.023)        (0.007)   

Rating                 0.180***      -0.013***  
                       (0.015)        (0.003)   

Duration               0.073***       0.021*    
                       (0.017)        (0.012)   

Liquidity              0.004*       0.027***   
                       (0.002)        (0.005)   

Constant              -2.386***      -1.432***  
                       (0.140)        (0.099)   

------------------------------------------------
Observations                          335,369   
R2                                     0.378    
================================================
Note:                *p<0.1; **p<0.05; ***p<0.01

Есть ли у вас какие-либо предложения, как бороться с этими результатами? Есть идеи, что пошло не так?

Заранее спасибо за помощь!