p値でモデルを簡素化する
レオナルド・ダ・ヴィンチは「シンプルさは究極の洗練だ」と言いました。これはデータサイエンスのモデリングにも当てはまります。この演習では、p値を使ってモデルのパラメータが本当に必要かどうかを判断し、有意でないパラメータを含まない倹約的（parsimonious）なモデルを定義する練習をします。
帰無仮説は「パラメータの値は0」というものです。p値が与えられた有意水準より大きい場合、帰無仮説は棄却できません。つまり、そのパラメータは統計的に有意ではなく、モデルに必要ないということです。
GARCHモデルはBitcoinのリターンデータで定義・推定済みで、結果はgm_resultに保存されています。
この演習はコースの一部です
Pythonで学ぶGARCHモデル
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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(____)