Тест Льюнга — Бокса
Ще один дієвий інструмент для перевірки автокореляцій у даних — тест Льюнга — Бокса. У цій вправі ви попрактикуєтеся виявляти автокореляцію в стандартизованих залишках, виконавши тест Льюнга — Бокса.
Нульова гіпотеза тесту Льюнга — Бокса: дані є незалежно розподіленими. Якщо p-значення більше за заданий рівень значущості, немає підстав відхиляти нульову гіпотезу. Тобто немає чітких ознак автокореляцій, і модель є коректною.
Ви використаєте той самий GARCH‑модель, що й у попередній вправі. Її стандартизовані залишки збережено в std_resid.
Ця вправа є частиною курсу
Моделі GARCH у Python
Інструкції до вправи
- Імпортуйте модуль, потрібний для тестів Льюнга — Бокса, з пакета
statsmodels. - Виконайте тест Льюнга — Бокса до лага 10 і збережіть результат у
lb_test. - Виведіть і перегляньте p-значення з результатів тесту Льюнга — Бокса.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import the Python module
from statsmodels.stats.diagnostic import ____
# Perform the Ljung-Box test
lb_test = ____(std_resid , ____ = ____, return_df = True)
# Print the p-values
print('P-values are: ', ____.iloc[0,1])