Einheiten

1. Künstliche Intelligenz in Ökonometrie und Statistik: Rollen, Grenzen, Authentifizierung und Datenschutz 2. Datenbereinigung und -vorbereitung: Fehlende Daten, Ausreißer und Codierung 3. Explorative Datenanalyse und Visualisierung: Grafische Darstellung und Interpretation mit künstlicher Intelligenz 4. Lineare Regression: Modellbildung, Koeffizienteninterpretation und Annahmen 5. Regressionsdiagnostik und Verstöße: Kollinearität, Heteroskedastizität, Autokorrelation 6. Hypothesentests und p-Wert: Signifikanz, Aussagekraft und Mehrfachvergleiche 7. P-Hacking, HARKing und statistische Integrität: Fallstricke im Zeitalter der künstlichen Intelligenz 8. Zeitreihenanalyse: Stationarität, ARIMA und Prognose 9. Ursachen- und Politikanalyse: DiD, IV, RDD und künstliche Intelligenz 10. Codegenerierung und Reproduzierbarkeit: R/Python, Versionierung und Reproduzierbarkeit 11. Berichtserstellung, Kommunikation und Ethik: Ergebnisse präsentieren und Grenzen kommunizieren

Einheit 9 / 11

Ursachen- und Politikanalyse: DiD, IV, RDD und künstliche Intelligenz

Gewinne:

Verständnis der Unterscheidung zwischen Korrelation und Kausalität sowie der Logik von Designs wie Differenz-in-Differenz (DiD), instrumenteller Variable (IV) und Regressionsdiskontinuität (RDD) mit Unterstützung künstlicher Intelligenz
In der Lage sein, die definierende Annahme zu erkennen, auf der jedes Design basiert (parallele Trends, Ausschlussbeschränkung, Kontinuität in Diskontinuität) und die Rolle der KI bei der Erstellung von Test-/Verteidigungscode
Fähigkeit, die Strategie des Erkennens und Identifizierens von Interpretationen künstlicher Intelligenz, die übermäßige kausale Behauptungen aus Beobachtungsdaten hervorbringen, kritisch zu bewerten.

Zurück Weiter