危机中的结构性突变：III
现在，您可以把前面的内容整合起来，完成一次 Chow 检验。
2005–2010 年的数据已按结构性突变点（本系列第一个练习中识别的 2008 年 6 月 30 日）拆分为两个可用的 DataFrame：before 和 after。两者都包含 mort_del 与 returns 两列，分别表示房贷违约数据与收益数据。
您将分别在 before 和 after 上运行两次 OLS 回归，在每个 DataFrame 中用 mort_del 回归 returns，并得到残差平方和。
然后，像视频中所示那样，使用 ssr_total（来自第二个练习，已提供）以及您得到的残差平方和，计算 Chow 检验统计量。以 99% 置信度对应的临界 F 值约为 5.85。您得到的检验统计量是多少？
本练习是课程的一部分
Python 中的定量风险管理
练习说明
- 为
before和after的mort_del添加 OLS 截距项。 - 在
before和after上，拟合以mort_del为自变量、returns为因变量的 OLS 回归。 - 将残差平方和分别存入
ssr_before与ssr_after。 - 计算并显示 Chow 检验统计量。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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 / ____)