Simplifier le modèle avec les valeurs p
Léonard de Vinci disait : « La simplicité est la sophistication suprême. » Cela s'applique aussi à la modélisation en science des données. Dans cet exercice, vous allez vous exercer à utiliser les valeurs p pour décider de la nécessité des paramètres du modèle et définir un modèle parcimonieux sans paramètres non significatifs.
L'hypothèse nulle stipule que la valeur du paramètre est nulle. Si la valeur p est supérieure à un niveau de confiance donné, on ne peut pas rejeter l'hypothèse nulle, ce qui signifie que le paramètre n'est pas statistiquement significatif et donc pas nécessaire.
Un modèle GARCH a été défini et ajusté sur les rendements du Bitcoin. Le résultat du modèle est enregistré dans gm_result.
Cette activité fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____)