Simplifica el modelo con p-values
Leonardo da Vinci dijo una vez: «La simplicidad es la máxima sofisticación». También se aplica al modelado en ciencia de datos. En este ejercicio practicarás cómo usar los p-values para decidir la necesidad de los parámetros del modelo y definir un modelo parsimonioso sin parámetros insignificantes.
La hipótesis nula establece que el valor del parámetro es cero. Si el p-value es mayor que un nivel de confianza dado, no se puede rechazar la hipótesis nula; es decir, el parámetro no es estadísticamente significativo y, por tanto, no es necesario.
Ya se ha definido y ajustado un modelo GARCH con los rendimientos de Bitcoin. El resultado del modelo se ha guardado en gm_result.
Este ejercicio forma parte del curso
Modelos GARCH en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Print model fitting summary
print(gm_result.____())
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'p-value': gm_result.____})
# Print out parameter stats
print(____)