Uprość model za pomocą t-statystyk
Oprócz p-wartości, t-statystyki również pomagają ocenić, czy parametry modelu są niezbędne. W tym ćwiczeniu przećwiczysz ich użycie do oceny istotności parametrów modelu.
T-statystykę oblicza się, odejmując od szacowanej wartości parametru jego oczekiwaną średnią (w tym przypadku zero) i dzieląc przez błąd standardowy. Wartość bezwzględna t-statystyki to miara odległości – mówi, ile błędów standardowych dzieli szacowany parametr od 0. Jako zasada kciuka: jeśli t-statystyka jest większa niż 2, można odrzucić hipotezę zerową.
Pracujesz z tym samym modelem GARCH co w poprzednim ćwiczeniu. Podsumowanie dopasowania modelu jest dostępne w gm_result.
To ćwiczenie jest częścią kursu
Modele GARCH w Pythonie
Instrukcje do ćwiczenia
- Pobierz parametry modelu, błędy standardowe i t-statystyki, a następnie zapisz je w DataFrame
para_summary. - Oblicz t-statystyki ręcznie, korzystając z wartości parametrów i ich błędów standardowych, i zapisz wynik w
calculated_t. - Wyświetl i przejrzyj
calculated_t. - Wyświetl i przejrzyj
para_summary.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____)