Enheder

1. Kunstig intelligens i økonometri og statistik: roller, grænser, autentificering og privatliv 2. Datarensning og -forberedelse: Manglende data, outliers og kodning 3. Udforskende dataanalyse og visualisering: Graftegning og fortolkning med kunstig intelligens 4. Lineær regression: Modelbygning, koefficientfortolkning og antagelser 5. Regressionsdiagnostik og overtrædelser: Kollinearitet, Heteroskedasticitet, Autokorrelation 6. Hypotesetestning og p-værdi: Signifikans, Power og Multiple Comparisons 7. p-hacking, HARKing og statistisk integritet: faldgruber i en tidsalder af kunstig intelligens 8. Tidsserieanalyse: Stationaritet, ARIMA og prognoser 9. Årsags- og politikanalyse: DiD, IV, RDD og kunstig intelligens 10. Kodegenerering og reproducerbarhed: R/Python, versionering og reproducerbarhed 11. Rapportskrivning, kommunikation og etik: Præsentation af resultater og kommunikation af grænser

Enhed 9 / 11

Årsags- og politikanalyse: DiD, IV, RDD og kunstig intelligens

Gevinster:

Forståelse af sondringen mellem korrelation og kausalitet og logikken i designs såsom difference-in-difference (DiD), instrumentel variabel (IV), regressionsdiskontinuitet (RDD) med støtte fra kunstig intelligens
At være i stand til at se den definerende antagelse, som hvert design er baseret på (parallelle tendenser, udelukkelsesbegrænsning, kontinuitet i diskontinuitet) og AI's rolle i at producere test/forsvarskode
Evne til kritisk at evaluere strategien med at genkende og identificere fortolkninger af kunstig intelligens, der producerer overdrevne årsagskrav fra observationsdata.

Tidligere Næste