Тест Льюнга–Бокса
Ещё один мощный инструмент для проверки автокорреляций в данных — тест Льюнга–Бокса. В этом упражнении вы потренируетесь обнаруживать автокорреляцию в стандартизированных остатках с помощью этого теста.
Нулевая гипотеза теста Льюнга–Бокса гласит: данные распределены независимо. Если p-значение больше заданного уровня значимости, нулевую гипотезу нельзя отвергнуть. Иными словами, явных признаков автокорреляции нет, и модель считается корректной.
Вы будете использовать ту же модель GARCH, что и в предыдущем упражнении. Её стандартизированные остатки сохранены в переменной std_resid.
Это упражнение является частью курса
Модели GARCH на Python
Инструкции к упражнению
- Импортируйте из пакета
statsmodelsмодуль, необходимый для выполнения теста Льюнга–Бокса. - Выполните тест Льюнга–Бокса для лагов до 10 включительно и сохраните результат в переменную
lb_test. - Выведите и проанализируйте p-значения из результатов теста Льюнга–Бокса.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import the Python module
from statsmodels.stats.diagnostic import ____
# Perform the Ljung-Box test
lb_test = ____(std_resid , ____ = ____, return_df = True)
# Print the p-values
print('P-values are: ', ____.iloc[0,1])