Упрощение модели с помощью p-значений
Леонардо да Винчи однажды сказал: «Простота — высшая степень изощрённости». Это утверждение справедливо и для моделирования в науке о данных. В этом упражнении вы будете использовать p-значения, чтобы определить необходимость параметров модели и построить экономную модель без статистически незначимых параметров.
Нулевая гипотеза состоит в том, что значение параметра равно нулю. Если p-значение превышает заданный уровень значимости, нулевую гипотезу нельзя отвергнуть — это означает, что параметр статистически незначим и не является необходимым.
Модель GARCH была задана и обучена на данных о доходности Bitcoin. Результат обучения сохранён в gm_result.
Это упражнение является частью курса
Модели GARCH на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____)