ลดความซับซ้อนของโมเดลด้วย p-value
เลโอนาร์โด ดา วินชี เคยกล่าวไว้ว่า "ความเรียบง่ายคือความประณีตสูงสุด" หลักการนี้ใช้ได้กับการสร้างโมเดลในวิทยาศาสตร์ข้อมูลเช่นกัน ในแบบฝึกหัดนี้ จะได้ฝึกใช้ p-value เพื่อตัดสินว่าพารามิเตอร์แต่ละตัวในโมเดลมีความจำเป็นหรือไม่ และกำหนดโมเดลที่กระชับโดยตัดพารามิเตอร์ที่ไม่มีนัยสำคัญออก
สมมติฐานหลัก (null hypothesis) คือค่าพารามิเตอร์เท่ากับศูนย์ หาก p-value มากกว่าระดับความเชื่อมั่นที่กำหนด แสดงว่าไม่สามารถปฏิเสธสมมติฐานหลักได้ นั่นคือพารามิเตอร์นั้นไม่มีนัยสำคัญทางสถิติ และไม่จำเป็นต้องรวมไว้ในโมเดล
โมเดล GARCH ถูกกำหนดและ fit แล้วด้วยข้อมูลผลตอบแทนของ Bitcoin โดยผลลัพธ์ของโมเดลถูกบันทึกไว้ใน gm_result
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
GARCH Models ใน Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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(____)