การแตกหักเชิงโครงสร้างในวิกฤตการณ์: III
ถึงเวลาแล้วที่จะนำทุกอย่างมารวมกันเพื่อทำการทดสอบ Chow
ข้อมูลระหว่างปี 2005 - 2010 ถูกแบ่งออกเป็นสอง DataFrame ได้แก่ before และ after โดยใช้ 30 มิถุนายน 2008 เป็นจุดแตกหักเชิงโครงสร้าง (ซึ่งระบุไว้ในแบบฝึกหัดแรกของชุดนี้) คอลัมน์ของทั้งสอง DataFrame ประกอบด้วย mort_del สำหรับข้อมูลการผิดนัดชำระสินเชื่อ และ returns สำหรับข้อมูลผลตอบแทน
จะรันการถดถอย OLS สองครั้งบน before และ after โดยถดถอยคอลัมน์ returns กับคอลัมน์ mort_del ใน DataFrame แต่ละชุด แล้วหาผลรวมของกำลังสองของส่วนเหลือ
จากนั้นคำนวณค่าสถิติการทดสอบ Chow ตามที่แสดงในวิดีโอ โดยใช้ ssr_total (ที่ได้จากแบบฝึกหัดที่สอง) และค่าส่วนเหลือที่คำนวณได้ ค่า F วิกฤตที่ระดับความเชื่อมั่น 99% อยู่ที่ประมาณ 5.85 ค่าสถิติที่ได้เป็นเท่าไร?
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การบริหารความเสี่ยงเชิงปริมาณด้วย Python
คำแนะนำการฝึกหัด
- เพิ่มเทอมจุดตัดแกน OLS ให้กับ
mort_delสำหรับbeforeและafter - Fit การถดถอย OLS ของคอลัมน์
returnsกับคอลัมน์mort_delสำหรับbeforeและafter - เก็บผลรวมของกำลังสองของส่วนเหลือไว้ใน
ssr_beforeและssr_afterสำหรับbeforeและafterตามลำดับ - สร้างและแสดงค่าสถิติการทดสอบ Chow
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Add intercept constants to each sub-period 'before' and 'after'
before_with_intercept = sm.____(before['mort_del'])
after_with_intercept = sm.____(____['mort_del'])
# Fit OLS regressions to each sub-period
r_b = sm.____(____['returns'], before_with_intercept).____
r_a = sm.____(after['returns'], after_with_intercept).____
# Get sum-of-squared residuals for both regressions
ssr_before = r_b.____
ssr_after = ____.ssr
# Compute and display the Chow test statistic
numerator = ((ssr_total - (ssr_before + ____)) / 2)
denominator = ((____ + ssr_after) / (24 - 4))
print("Chow test statistic: ", numerator / ____)