Simplifique o modelo com p-values
Leonardo da Vinci disse certa vez: "A simplicidade é o último grau de sofisticação." Isso também vale para a modelagem em ciência de dados. Neste exercício, você vai praticar o uso de p-values para decidir a necessidade dos parâmetros do modelo e definir um modelo parcimonioso, sem parâmetros insignificantes.
A hipótese nula é que o valor do parâmetro é zero. Se o p-value for maior que um nível de confiança dado, não é possível rejeitar a hipótese nula, o que significa que o parâmetro não é estatisticamente significativo e, portanto, não é necessário.
Um modelo GARCH foi definido e ajustado usando os retornos do Bitcoin. O resultado do modelo está salvo em gm_result.
Este exercício faz parte do curso
Modelos GARCH em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Print model fitting summary
print(gm_result.____())
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'p-value': gm_result.____})
# Print out parameter stats
print(____)