Đơn giản hóa mô hình với p-value
Leonardo da Vinci từng nói: "Simplicity is the ultimate sophistication." Điều này cũng đúng với việc xây dựng mô hình khoa học dữ liệu. Trong bài tập này, bạn sẽ thực hành dùng p-value để quyết định mức độ cần thiết của các tham số mô hình và xác định một mô hình gọn nhẹ, không gồm các tham số không có ý nghĩa thống kê.
Giả thuyết không là giá trị tham số bằng 0. Nếu p-value lớn hơn mức ý nghĩa đã chọn, bạn không thể bác bỏ giả thuyết không, nghĩa là tham số đó không có ý nghĩa thống kê, do đó không cần thiết.
Một mô hình GARCH đã được xác định và fit bằng dữ liệu lợi nhuận của Bitcoin. Kết quả mô hình được lưu trong gm_result.
Bài tập này là một phần của khóa học
Mô hình GARCH với Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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(____)