Modell mit t-Statistiken vereinfachen
Neben p-Werten helfen auch t-Statistiken dabei, die Notwendigkeit von Modellparametern zu beurteilen. In dieser Übung übst du, t-Statistiken zu verwenden, um die Signifikanz von Modellparametern einzuschätzen.
Die t-Statistik wird berechnet, indem der geschätzte Parameterwert um seinen erwarteten Mittelwert (hier null) vermindert und durch seinen Standardfehler geteilt wird. Der Betrag der t-Statistik ist ein Abstandsmaß und zeigt dir, wie viele Standardfehler der geschätzte Parameter von 0 entfernt ist. Als Faustregel kannst du die Nullhypothese verwerfen, wenn die t-Statistik größer als 2 ist.
Du arbeitest mit demselben GARCH-Modell wie in der vorherigen Übung. Die Zusammenfassung der Modellanpassung findest du in gm_result.
Diese Übung ist Teil des Kurses
GARCH-Modelle in Python
Anleitung zur Übung
- Hole die Modellparameter, Standardfehler und t-Statistiken und speichere sie im DataFrame
para_summary. - Berechne die t-Statistiken manuell anhand der Parameterwerte und ihrer Standardfehler und speichere das Ergebnis in
calculated_t. - Gib
calculated_taus und überprüfe es. - Gib
para_summaryaus und überprüfe es.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'std-err': gm_result.____,
't-value': gm_result.____})
# Verify t-statistic by manual calculation
calculated_t = para_summary['____']/para_summary['____']
# Print calculated t-value
print(____)
# Print parameter stats
print(____)