Vereenvoudig het model met p-waarden
Leonardo da Vinci zei ooit: "Eenvoud is de ultieme verfijning." Dat geldt ook voor modelleren in data science. In deze oefening ga je met p-waarden bepalen welke modelparameters nodig zijn en stel je een zuinig (parsimonieus) model op zonder onbeduidende parameters.
De nulhypothese is dat de parameterwaarde nul is. Als de p-waarde groter is dan een gegeven betrouwbaarheidsniveau, kan de nulhypothese niet worden verworpen. Dat betekent dat de parameter statistisch niet significant is en dus niet nodig.
Er is een GARCH-model gedefinieerd en gefit op de Bitcoin-rendementen. Het modelresultaat is opgeslagen in gm_result.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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(____)