Test Ljung-Box
Kolejnym przydatnym narzędziem do wykrywania autokorelacji w danych jest test Ljung-Box. W tym ćwiczeniu przeanalizujesz autokorelację w standaryzowanych resztach modelu, przeprowadzając test Ljung-Box.
Hipoteza zerowa testu Ljung-Box zakłada, że dane są niezależnie rozłożone. Jeśli p-wartość jest większa niż przyjęty poziom istotności, nie ma podstaw do odrzucenia hipotezy zerowej. Innymi słowy, brak jest wyraźnych oznak autokorelacji, a model uznaje się za poprawny.
Skorzystasz z tego samego modelu GARCH co w poprzednim ćwiczeniu. Jego standaryzowane reszty są zapisane w zmiennej std_resid.
To ćwiczenie jest częścią kursu
Modele GARCH w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj moduł potrzebny do wykonywania testów Ljung-Box z pakietu
statsmodels. - Przeprowadź test Ljung-Box do opóźnienia 10 i zapisz wynik w zmiennej
lb_test. - Wyświetl i przeanalizuj p-wartości uzyskane z wyników testu Ljung-Box.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the Python module
from statsmodels.stats.diagnostic import ____
# Perform the Ljung-Box test
lb_test = ____(std_resid , ____ = ____, return_df = True)
# Print the p-values
print('P-values are: ', ____.iloc[0,1])