Ljung-Box टेस्ट
डेटा में ऑटोकॉरिलेशन जाँचने का एक और प्रभावी टूल Ljung-Box टेस्ट है. इस अभ्यास में, आप स्टैंडर्डाइज़्ड रेजिडुअल्स पर Ljung-Box टेस्ट चलाकर ऑटोकॉरिलेशन पहचानने का अभ्यास करेंगे.
Ljung-Box टेस्ट की नल हाइपोथिसिस है: डेटा स्वतंत्र रूप से वितरित है. यदि p-value चुने गए significance level से बड़ी हो, तो नल हाइपोथिसिस को खारिज नहीं किया जा सकता. अर्थात्, ऑटोकॉरिलेशन का कोई स्पष्ट संकेत नहीं है और मॉडल वैध है.
आप पिछले अभ्यास वाला वही GARCH मॉडल उपयोग करेंगे. उसके स्टैंडर्डाइज़्ड रेजिडुअल्स std_resid में सेव हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में GARCH मॉडल
अभ्यास निर्देश
statsmodelsपैकेज से Ljung-Box टेस्ट के लिए आवश्यक मॉड्यूल इम्पोर्ट करें.- lag 10 तक Ljung-Box टेस्ट चलाएँ और परिणाम
lb_testमें सेव करें. - Ljung-Box टेस्ट के परिणाम से p-values प्रिंट करें और रिव्यू करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import the Python module
from statsmodels.stats.diagnostic import ____
# Perform the Ljung-Box test
lb_test = ____(std_resid , ____ = ____, return_df = True)
# Print the p-values
print('P-values are: ', ____.iloc[0,1])