Sederhanakan model dengan p-value
Leonardo da Vinci pernah berkata: "Kesederhanaan adalah kecanggihan yang tertinggi." Ini juga berlaku untuk pemodelan data science. Pada latihan ini, Anda akan berlatih menggunakan p-value untuk menentukan perlu tidaknya parameter model, dan mendefinisikan model yang hemat parameter tanpa parameter yang tidak signifikan.
Hipotesis nol menyatakan nilai parameter sama dengan nol. Jika p-value lebih besar daripada tingkat kepercayaan yang diberikan, hipotesis nol tidak dapat ditolak, yang berarti parameter tersebut tidak signifikan secara statistik, sehingga tidak diperlukan.
Sebuah model GARCH telah didefinisikan dan dipasang menggunakan data return Bitcoin. Hasil model disimpan dalam gm_result.
Latihan ini adalah bagian dari kursus
Model GARCH di Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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(____)