Struktureller Bruch in der Krise: III
Jetzt kannst du alles zusammenführen, um den Chow-Test durchzuführen.
Die Daten von 2005–2010 wurden mit dem als Strukturbruch identifizierten Datum (aus der ersten Übung dieser Reihe) 30. Juni 2008 in zwei DataFrames aufgeteilt: before und after. Beide DataFrames enthalten die Spalten mort_del und returns für Hypotheken‑Zahlungsverzugsdaten bzw. Renditedaten.
Du führst zwei OLS-Regressionen auf before und after aus, wobei du in jedem DataFrame die Spalte returns auf die Spalte mort_del regressierst, und leitest daraus die Summe der quadrierten Residuen ab.
Anschließend berechnest du die Chow-Teststatistik wie im Video, unter Verwendung von ssr_total (bereitgestellt aus der zweiten Übung) und den abgeleiteten Residuen. Der kritische F-Wert bei 99 % Konfidenz liegt bei etwa 5,85. Welchen Wert erhältst du für deine Teststatistik?
Diese Übung ist Teil des Kurses
Quantitative Risk Management in Python
Anleitung zur Übung
- Füge für
beforeundaftereinen OLS-Intercept-Term zumort_delhinzu. - Schätze eine OLS-Regression der Spalte
returnsauf die Spaltemort_delfürbeforeundafter. - Lege die Summe der quadrierten Residuen jeweils in
ssr_beforeundssr_afterab, fürbeforebzw.after. - Erstelle und zeige die Chow-Teststatistik an.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Add intercept constants to each sub-period 'before' and 'after'
before_with_intercept = sm.____(before['mort_del'])
after_with_intercept = sm.____(____['mort_del'])
# Fit OLS regressions to each sub-period
r_b = sm.____(____['returns'], before_with_intercept).____
r_a = sm.____(after['returns'], after_with_intercept).____
# Get sum-of-squared residuals for both regressions
ssr_before = r_b.____
ssr_after = ____.ssr
# Compute and display the Chow test statistic
numerator = ((ssr_total - (ssr_before + ____)) / 2)
denominator = ((____ + ssr_after) / (24 - 4))
print("Chow test statistic: ", numerator / ____)