这是我的动态因子模型（时间序列）算出来的结果，您帮我看看吧，我昨晚一夜都没睡
. dfactor ( x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 = , noconstant) (f1 f2 = , ar(1/2))
note: attempting to estimate 49 parameters using 71 observations
searching for initial values
(setting technique to bhhh)
Iteration 0:   log likelihood =  1215,8381  (not concave)
Iteration 1:   log likelihood =  1264,2708  (not concave)
Iteration 2:   log likelihood =  1349,6326  
Iteration 3:   log likelihood =  1353,4891  (backed up)
Iteration 4:   log likelihood =  1353,5922  (backed up)
(switching technique to nr)
Iteration 5:   log likelihood =  1353,7206  (not concave)
Iteration 6:   log likelihood =   1376,132  (not concave)
Iteration 7:   log likelihood =  1409,7632  (not concave)
Iteration 8:   log likelihood =  1549,2646  (not concave)
Iteration 9:   log likelihood =  1638,7129  (not concave)
Iteration 10:  log likelihood =  1656,5544  
Iteration 11:  log likelihood =  1660,4573  (not concave)
Iteration 12:  log likelihood =  1667,9202  (not concave)
Iteration 13:  log likelihood =  1668,3741  (not concave)
Iteration 14:  log likelihood =  1668,8772  (not concave)
Iteration 15:  log likelihood =  1669,1098  
Iteration 16:  log likelihood =  1670,9668  
Iteration 17:  log likelihood =  1671,5493  
Iteration 18:  log likelihood =  1671,5852  
Iteration 19:  log likelihood =  1671,5857  
Iteration 20:  log likelihood =  1671,5857  
Refining estimates:
Iteration 0:   log likelihood =  1671,5857  
Iteration 1:   log likelihood =  1671,5857  
Dynamic-factor model
Sample: 1993q2 - 2010q4                           Number of obs   =         71
                                                  Wald chi2(34)   =    4141,00
Log likelihood =  1671,5857                       Prob > chi2     =     0,0000
------------------------------------------------------------------------------
             |                 OIM
             |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
f1           |
          f1 |
         L1. |   ,8665387   ,3695545     2,34   0,019     ,1422252    1,590852
         L2. |    ,117913    ,367528     0,32   0,748    -,6024286    ,8382546
-------------+----------------------------------------------------------------
f2           |
          f2 |
         L1. |   ,3149916   ,1342648     2,35   0,019     ,0518373    ,5781459
         L2. |   ,1111472   ,1313133     0,85   0,397    -,1462222    ,3685166
-------------+----------------------------------------------------------------
x1           |
          f1 |  -,0062286   ,0022052    -2,82   0,005    -,0105507   -,0019065
          f2 |   ,0078439    ,004808     1,63   0,103    -,0015796    ,0172674
-------------+----------------------------------------------------------------
x2           |
          f1 |   -,007689     ,00249    -3,09   0,002    -,0125693   -,0028088
          f2 |   ,0097354   ,0033133     2,94   0,003     ,0032415    ,0162294
-------------+----------------------------------------------------------------
x3           |
          f1 |  -,0088181   ,0033543    -2,63   0,009    -,0153925   -,0022438
          f2 |   ,0121158   ,0090162     1,34   0,179    -,0055556    ,0297872
-------------+----------------------------------------------------------------
x4           |
          f1 |  -,0077154   ,0024953    -3,09   0,002    -,0126061   -,0028246
          f2 |   ,0027643   ,0022931     1,21   0,228    -,0017302    ,0072588
-------------+----------------------------------------------------------------
x5           |
          f1 |  -,0088336   ,0030365    -2,91   0,004    -,0147851    -,002882
          f2 |   ,0205638   ,0062767     3,28   0,001     ,0082616     ,032866
-------------+----------------------------------------------------------------
x6           |
          f1 |  -,0077471   ,0029429    -2,63   0,008    -,0135151   -,0019791
          f2 |   ,0253554   ,0076018     3,34   0,001     ,0104561    ,0402546
-------------+----------------------------------------------------------------
x7           |
          f1 |  -,0088841   ,0029114    -3,05   0,002    -,0145903   -,0031778
          f2 |   ,0116644    ,003491     3,34   0,001     ,0048222    ,0185067
-------------+----------------------------------------------------------------
x8           |
          f1 |  -,0044779   ,0017396    -2,57   0,010    -,0078874   -,0010684
          f2 |  -,0071166   ,0047901    -1,49   0,137    -,0165051    ,0022719
-------------+----------------------------------------------------------------
x9           |
          f1 |  -,0045033   ,0015092    -2,98   0,003    -,0074613   -,0015452
          f2 |   ,0032146   ,0027992     1,15   0,251    -,0022717     ,008701
-------------+----------------------------------------------------------------
x10          |
          f1 |  -,0146674   ,0047045    -3,12   0,002    -,0238881   -,0054466
          f2 |   ,0049748   ,0049444     1,01   0,314    -,0047161    ,0146657
-------------+----------------------------------------------------------------
x11          |
          f1 |   ,0016096   ,0060718     0,27   0,791    -,0102909    ,0135101
          f2 |   ,1424213   ,0157182     9,06   0,000     ,1116142    ,1732285
-------------+----------------------------------------------------------------
x12          |
          f1 |   ,0025023   ,0055643     0,45   0,653    -,0084036    ,0134081
          f2 |   ,1331423   ,0134419     9,90   0,000     ,1067966    ,1594881
-------------+----------------------------------------------------------------
x13          |
          f1 |   ,0021386   ,0054283     0,39   0,694    -,0085006    ,0127779
          f2 |   ,1260046   ,0141463     8,91   0,000     ,0982784    ,1537308
-------------+----------------------------------------------------------------
x14          |
          f1 |   ,0027549   ,0043746     0,63   0,529    -,0058192     ,011329
          f2 |   ,0955616   ,0125616     7,61   0,000     ,0709413    ,1201819
-------------+----------------------------------------------------------------
x15          |
          f1 |   ,0000163   ,0012787     0,01   0,990    -,0024899    ,0025225
          f2 |   ,0190928   ,0053239     3,59   0,000     ,0086582    ,0295274
-------------+----------------------------------------------------------------
var(e.x1)    |   ,0016575   ,0002825     5,87   0,000     ,0011039    ,0022112
var(e.x2)    |   ,0006807   ,0001202     5,66   0,000      ,000445    ,0009164
var(e.x3)    |   ,0060194   ,0010193     5,91   0,000     ,0040216    ,0080172
var(e.x4)    |   ,0002809    ,000057     4,92   0,000     ,0001691    ,0003927
var(e.x5)    |   ,0026263   ,0004581     5,73   0,000     ,0017285     ,003524
var(e.x6)    |   ,0038985   ,0006717     5,80   0,000      ,002582     ,005215
var(e.x7)    |   ,0007078   ,0001324     5,34   0,000     ,0004482    ,0009674
var(e.x8)    |   ,0016904   ,0002862     5,91   0,000     ,0011295    ,0022512
var(e.x9)    |   ,0005557   ,0000954     5,83   0,000     ,0003688    ,0007426
var(e.x10)   |   ,0014524   ,0002875     5,05   0,000     ,0008889    ,0020159
var(e.x11)   |   ,0071789   ,0015531     4,62   0,000     ,0041349    ,0102229
var(e.x12)   |   ,0030264   ,0009585     3,16   0,002     ,0011477    ,0049052
var(e.x13)   |   ,0063473   ,0013666     4,64   0,000     ,0036688    ,0090258
var(e.x14)   |    ,006931   ,0012921     5,36   0,000     ,0043986    ,0094634
var(e.x15)   |   ,0019808   ,0003381     5,86   0,000     ,0013181    ,0026435
------------------------------------------------------------------------------
Note: Tests of variances against zero are conservative and are provided only for reference.
我想要把这里面的f1 和 f2 提取出来，那个模型里面好像没有把f1 f2 看成是变量，您帮帮我好吗？感激不尽啊
怎样回归出f1 和 f2?