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