Vereenvoudig het model met t-statistieken
Naast p-waarden kunnen t-statistieken ook helpen bepalen of modelparameters nodig zijn. In deze oefening ga je met t-statistieken de significantie van modelparameters beoordelen.
De t-statistiek wordt berekend als de geschatte parameterwaarde min de verwachte gemiddelde waarde (hier nul), gedeeld door de standaardfout. De absolute waarde van de t-statistiek is een afstandsmaat: die geeft aan hoeveel standaardfouten de geschatte parameter van 0 afligt. Vuistregel: als de t-statistiek groter is dan 2, kun je de nulhypothese verwerpen.
Je werkt met hetzelfde GARCH-model als in de vorige oefening. Je vindt het samenvattingsrapport van de model-fit in gm_result.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in Python
Oefeninstructies
- Haal de modelparameters, standaardfouten en t-statistiek op en sla ze op in de DataFrame
para_summary. - Bereken de t-statistieken handmatig met de parameterwaarden en hun standaardfouten, en sla het resultaat op in
calculated_t. - Print en bekijk
calculated_t. - Print en bekijk
para_summary.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'std-err': gm_result.____,
't-value': gm_result.____})
# Verify t-statistic by manual calculation
calculated_t = para_summary['____']/para_summary['____']
# Print calculated t-value
print(____)
# Print parameter stats
print(____)