Comece agoraComece grátis

Intervalos de confiança por bootstrap

Você viu anteriormente que existe algum grau de correlação entre o S&P 500 e o Bitcoin. Uma forma de medir isso é olhar para o coeficiente de correlação R de Pearson entre os dois. No entanto, isso gera apenas uma estimativa pontual. Provavelmente, em alguns momentos a correlação entre os dois é bem próxima, enquanto em outros eles se comportam de forma bem diferente. Como caracterizar essa variabilidade? Uma abordagem é criar um intervalo de confiança por bootstrap para o coeficiente de correlação entre os dois. É exatamente isso que você fará agora!

Um DataFrame com os preços do S&P 500 e do Bitcoin (btc_sp_df) já foi carregado para você, assim como os pacotes pandas como pd, NumPy como np e stats do SciPy.

Este exercicio faz parte do curso

Fundamentos de Inferência em Python

Ver curso

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Compute the daily percent change of each asset
btc_sp_df['Pct_Daily_Change_BTC'] = (____['Open_BTC'] - ____['Close_BTC']) / ____['Open_BTC']
btc_sp_df['Pct_Daily_Change_SP500'] = ____

# Write a function which returns the correlation coefficient
def pearson_r(x, y):
    return stats.____[0]
  
# Compute a bootstrap confidence interval
ci = stats.bootstrap((____, ____), 
                     statistic=____, 
                     vectorized=False, paired=True, n_resamples=1000, random_state=1)

print(ci.confidence_interval)
Editar e Executar Código