Förenkla modellen med p-värden
Leonardo da Vinci sa en gång: "Enkelhet är den yttersta formen av sofistikering." Det gäller även för datavetenskaplig modellering. I den här övningen får du träna på att använda p-värden för att avgöra om modellparametrar är nödvändiga, och definiera en parsimonisk modell utan insignifikanta parametrar.
Nollhypotesen är att parametervärdet är noll. Om p-värdet är större än en given konfidensnivå kan nollhypotesen inte förkastas, vilket innebär att parametern inte är statistiskt signifikant och därmed inte nödvändig.
En GARCH-modell har definierats och anpassats med Bitcoins avkastningsdata. Modellresultatet är sparat i gm_result.
Den här övningen är en del av kursen
GARCH-modeller i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(____)