Asset pricing models use the normal distribution for p-values when debiased=True

Aperta
  • Qualcosa non va?
#832 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
15/100
Tipo di issue
Bug
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
python
Ambito
data

Direzione di ricerca

The inference is in the asset pricing models: TradedFactorModel, LinearFactorModel and LinearFactorModelGMM. Compare their p-value code with the IV and panel models, which already use the t and F distributions when debiased=True. The repro in the issue, run on the French dataset, shows the mismatch. Choosing degrees of freedom per estimator is a design decision for the maintainer, so agree on it before writing code.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

enhancement

With debiased=True, the IV and panel models switch the reference distribution of their t-tests to the t distribution, and of their Wald tests to F. The asset pricing models (TradedFactorModel, LinearFactorModel, LinearFactorModelGMM) always use the normal distribution, so debiased=True only changes the covariance:

import numpy as np
from scipy import stats
from linearmodels.asset_pricing import TradedFactorModel
from linearmodels.datasets import french

data = french.load()
res = TradedFactorModel(
    data[["S1V1", "S1V5", "S5V1", "S5V5"]], data[["MktRF", "SMB", "HML"]]
).fit(debiased=True)
normal = 2 * stats.norm.sf(np.abs(res.tstats))
print(np.allclose(res.pvalues, normal))  # True

Using the t distribution needs a choice of degrees of freedom for each estimator, e.g. T - 1 for the time-series regressions of the traded model, or T - k, and something suitable for the two-pass and GMM estimators. It also changes the p-values. In 7.1 the docstrings say that the normal distribution is used.

Deferred from 7.1.

Lingua principale
Python
Stelle
1.1k
Fork
203
Merge medio
3h 25m
PR unite (30g)
116

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di bashtage/linearmodels

Tutte le issue di bashtage/linearmodels

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.