Упрощение модели с помощью t-статистик

Помимо p-значений, t-статистики также помогают оценить необходимость тех или иных параметров модели. В этом упражнении вы попрактикуетесь в использовании t-статистик для оценки значимости параметров.

T-статистика вычисляется как разность между оценкой параметра и его ожидаемым средним (в данном случае равным нулю), делённая на стандартную ошибку. Модуль t-статистики — это мера расстояния, которая показывает, на сколько стандартных ошибок оценка параметра отстоит от нуля. Как правило, если t-статистика по модулю больше 2, нулевую гипотезу можно отвергнуть.

Вы будете работать с той же моделью GARCH, что и в предыдущем упражнении. Сводка по результатам подбора модели доступна в gm_result.

Это упражнение является частью курса

Модели GARCH на Python

Посмотреть курс

Инструкции к упражнению

Получите параметры модели, стандартные ошибки и t-статистики и сохраните их в DataFrame para_summary.
Вычислите t-статистики вручную, используя значения параметров и их стандартные ошибки, и сохраните результат в calculated_t.
Выведите на экран calculated_t и проверьте результат.
Выведите на экран para_summary и проверьте результат.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
                             'std-err': gm_result.____, 
                             't-value': gm_result.____})

# Verify t-statistic by manual calculation
calculated_t = para_summary['____']/para_summary['____']

# Print calculated t-value
print(____)

# Print parameter stats
print(____)

Редактировать и запускать код