ลดความซับซ้อนของโมเดลด้วย t-statistics
นอกจาก p-values แล้ว t-statistics ก็ช่วยตัดสินได้เช่นกันว่าพารามิเตอร์แต่ละตัวในโมเดลมีความจำเป็นหรือไม่ ในแบบฝึกหัดนี้จะได้ฝึกใช้ t-statistics เพื่อประเมินนัยสำคัญของพารามิเตอร์โมเดล
t-statistic คำนวณจากค่าพารามิเตอร์ที่ประมาณได้ลบด้วยค่าเฉลี่ยที่คาดหวัง (ซึ่งในกรณีนี้คือศูนย์) แล้วหารด้วยค่าความคลาดเคลื่อนมาตรฐาน ค่าสัมบูรณ์ของ t-statistic เป็นตัวบอกระยะห่าง กล่าวคือบอกว่าค่าพารามิเตอร์ที่ประมาณได้นั้นห่างจาก 0 กี่เท่าของความคลาดเคลื่อนมาตรฐาน โดยหลักทั่วไป หาก t-statistic มีค่ามากกว่า 2 ก็สามารถปฏิเสธสมมติฐานหลักได้
แบบฝึกหัดนี้ใช้โมเดล GARCH เดิมจากแบบฝึกหัดที่แล้ว โดยสามารถเข้าถึงสรุปผลการ fitting ของโมเดลได้จาก gm_result
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
GARCH Models ใน Python
คำแนะนำการฝึกหัด
- ดึงค่าพารามิเตอร์ ความคลาดเคลื่อนมาตรฐาน และ t-statistic ของโมเดล แล้วบันทึกลงใน DataFrame
para_summary - คำนวณ t-statistics ด้วยตนเองโดยใช้ค่าพารามิเตอร์และความคลาดเคลื่อนมาตรฐาน แล้วบันทึกผลการคำนวณไว้ใน
calculated_t - แสดงและตรวจสอบ
calculated_t - แสดงและตรวจสอบ
para_summary
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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(____)