Спрощення моделі за допомогою t-статистики
Окрім p-значень, t-статистика також допомагає вирішити, чи потрібні параметри моделі. У цій вправі ви попрактикуєтеся використовувати t-статистику, щоб оцінити значущість параметрів моделі.
T-статистика обчислюється як оцінене значення параметра мінус його сподіване середнє (у цьому разі нуль), поділене на його стандартну похибку. Абсолютне значення t-статистики — це міра відстані, яка показує, на скільки стандартних похибок оцінений параметр віддалений від 0. Як практичне правило: якщо t-статистика більша за 2, нульову гіпотезу можна відхилити.
Ви працюватимете з тією самою GARCH-моделлю, що й у попередній вправі. Доступ до підсумку підгонки моделі — в об'єкті gm_result.
Ця вправа є частиною курсу
Моделі GARCH у Python
Інструкції до вправи
- Отримайте параметри моделі, стандартні похибки та t-статистики і збережіть їх у датафреймі
para_summary. - Обчисліть t-статистики вручну, використовуючи значення параметрів та їхні стандартні похибки, і збережіть результат обчислення в
calculated_t. - Виведіть і перегляньте
calculated_t. - Виведіть і перегляньте
para_summary.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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(____)