Strukturalny przełom kryzysu: III
Teraz możesz połączyć wszystko w całość i przeprowadzić test Chowa.
Dane z lat 2005–2010 zostały podzielone na dwa dostępne ramki danych: before i after, z użyciem 30 czerwca 2008 jako punktu strukturalnego przełomu (zidentyfikowanego w pierwszym ćwiczeniu z tej serii). Obie ramki danych zawierają kolumny mort_del (dane o zaległościach hipotecznych) oraz returns (dane o stopach zwrotu).
Dopasuj dwie regresje OLS – osobno dla before i after – regresując kolumnę returns względem kolumny mort_del w każdej ramce danych, a następnie wyznacz sumy kwadratów reszt.
Potem oblicz statystykę testową Chowa tak jak w materiale wideo, korzystając z ssr_total (dostarczonego z drugiego ćwiczenia) oraz wyznaczonych reszt. Krytyczna wartość F przy poziomie ufności 99% wynosi około 5,85. Jaką wartość uzyskasz dla swojej statystyki testowej?
To ćwiczenie jest częścią kursu
Ilościowe zarządzanie ryzykiem w Pythonie
Instrukcje do ćwiczenia
- Dodaj wyraz wolny OLS do kolumny
mort_deldla danychbeforeiafter. - Dopasuj regresję OLS kolumny
returnswzględem kolumnymort_delosobno dlabeforeiafter. - Przypisz sumy kwadratów reszt do zmiennych
ssr_beforeissr_after– odpowiednio dlabeforeiafter. - Oblicz i wyświetl statystykę testową Chowa.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Add intercept constants to each sub-period 'before' and 'after'
before_with_intercept = sm.____(before['mort_del'])
after_with_intercept = sm.____(____['mort_del'])
# Fit OLS regressions to each sub-period
r_b = sm.____(____['returns'], before_with_intercept).____
r_a = sm.____(after['returns'], after_with_intercept).____
# Get sum-of-squared residuals for both regressions
ssr_before = r_b.____
ssr_after = ____.ssr
# Compute and display the Chow test statistic
numerator = ((ssr_total - (ssr_before + ____)) / 2)
denominator = ((____ + ssr_after) / (24 - 4))
print("Chow test statistic: ", numerator / ____)