Μονάδες
1. Τεχνητή Νοημοσύνη στην Οικονομετρία και τη Στατιστική: Ρόλοι, Όρια, Έλεγχος ταυτότητας και Απόρρητο 2. Καθαρισμός και προετοιμασία δεδομένων: Λείπουν δεδομένα, ακραίες τιμές και κωδικοποίηση 3. Διερευνητική Ανάλυση και Οπτικοποίηση Δεδομένων: Γραφήματα και Ερμηνεία με Τεχνητή Νοημοσύνη 4. Γραμμική Παλινδρόμηση: Δόμηση Μοντέλου, Ερμηνεία Συντελεστών και Υποθέσεις 5. Παλινδρόμηση Διαγνωστικά και Παραβιάσεις: Συγγραμμικότητα, Ετεροσκεδαστικότητα, Αυτοσυσχέτιση 6. Έλεγχος υποθέσεων και τιμή p: Σημασία, ισχύς και πολλαπλές συγκρίσεις 7. p-hacking, HARKing και στατιστική ακεραιότητα: παγίδες στην εποχή της τεχνητής νοημοσύνης 8. Ανάλυση Χρονοσειρών: Σταθερότητα, ARIMA και Πρόβλεψη 9. Ανάλυση αιτιών και πολιτικής: DiD, IV, RDD και Τεχνητή Νοημοσύνη 10. Δημιουργία κώδικα και αναπαραγωγιμότητα: R/Python, Versioning και Reproducibility 11. Συγγραφή Αναφοράς, Επικοινωνία και Δεοντολογία: Παρουσίαση Αποτελεσμάτων και Όρια Επικοινωνίας
Μονάδα 9 / 11

Ανάλυση αιτιών και πολιτικής: DiD, IV, RDD και Τεχνητή Νοημοσύνη

Κέρδη:

  • Κατανόηση της διάκρισης μεταξύ συσχέτισης και αιτιότητας και της λογικής σχεδίων όπως η διαφορά στη διαφορά (DiD), η εργαλειακή μεταβλητή (IV), η ασυνέχεια παλινδρόμησης (RDD) με την υποστήριξη της τεχνητής νοημοσύνης
  • Να είστε σε θέση να δείτε την καθοριστική υπόθεση στην οποία βασίζεται κάθε σχέδιο (παράλληλες τάσεις, περιορισμός αποκλεισμού, συνέχεια στην ασυνέχεια) και τον ρόλο της τεχνητής νοημοσύνης στην παραγωγή κώδικα δοκιμής/άμυνας
  • Ικανότητα κριτικής αξιολόγησης της στρατηγικής αναγνώρισης και αναγνώρισης ερμηνειών της τεχνητής νοημοσύνης που παράγουν υπερβολικούς αιτιώδεις ισχυρισμούς από δεδομένα παρατήρησης.
Πρώην Επόμενος