Vérification de la signification des paramètres du modèle

Modèles GARCH en Python

Chelsea Yang

Data Science Instructor

Ce paramètre est-il nécessaire ?

  • Est-ce pertinent ?

  • KISS : keep it simple stupid

  • Préférez toujours un modèle parcimonieux
Modèles GARCH en Python

Test d'hypothèse

  • Hypothèse nulle (H0) : une affirmation à vérifier

  • H0 : valeur du paramètre = 0

  • Si H0 ne peut pas être rejetée, laissez de côté le paramètre

Modèles GARCH en Python

Signification statistique

  • Quantifier la probabilité d'obtenir les résultats observés par hasard
  • Seuil courant : 5 %
Modèles GARCH en Python

P-valeur

  • Probabilité que les résultats observés soient dus au hasard

  • Plus la p-valeur est faible, plus l'hypothèse nulle paraît faible

  • Rejetez l'hypothèse nulle si p-valeur < seuil de signification

Modèles GARCH en Python

Exemple de p-valeur

print(gm_result.summary())

P-valeur dans le sommaire

print(gm_result.pvalues)

mu           9.031206e-08
omega        1.619415e-05
alpha[1]     4.283526e-10
beta[1]     1.302531e-183
Name: pvalues, dtype: float64
Modèles GARCH en Python

Statistique t

  • Statistique t = paramètre estimé / erreur type
  • La valeur absolue de t mesure une distance
  • Si |t| > 2 : gardez le paramètre dans le modèle GARCH
Modèles GARCH en Python

Exemple de statistique t

print(gm_result.summary())

Statistiques t dans le sommaire

print(gm_result.tvalues)

mu           5.345210
omega        4.311785
alpha[1]     6.243330
beta[1]     28.896991
Name: tvalues, dtype: float64

# Calcul manuel
t = gm_result.params/gm_result.std_err
Modèles GARCH en Python

Passons à la pratique !

Modèles GARCH en Python

Preparing Video For Download...