Ganancias:
- Capacidad para informar hallazgos empíricos al público objetivo (académico, político, gerencial) con el apoyo de inteligencia artificial, en un lenguaje honesto e inequívoco.
- Capacidad para redactar conclusiones, limitaciones y declaraciones éticas completas (confidencialidad de datos, conflicto de intereses, divulgación del uso de inteligencia artificial) y evitar presentaciones engañosas.
- La capacidad de la inteligencia artificial para reconocer borradores de informes que producen un lenguaje exagerado, unilateral o causal y mantener esa responsabilidad por el texto final y las afirmaciones recae en el investigador.
Examen del módulo
1. Un investigador pregunta '¿Cuál es el coeficiente de correlación entre desempleo e inflación en Türkiye entre 2015 y 2020?' sin dar ningún dato a la inteligencia artificial. pregunta y escribe el número 0,62 directamente en su artículo. ¿Cuál es el error fundamental de este enfoque?
- A) Esperar estadísticas concretas de la inteligencia artificial sin dar datos verificados; ✔ Usar un número que puede haber sido inventado sin verificarlo
- B) El coeficiente de correlación nunca debe utilizarse en un artículo.
- C) No se puede calcular la correlación entre desempleo e inflación
- D) La inteligencia artificial solo podrá acceder a los datos después de 2020
Explicación: El modelo de lenguaje de IA no puede producir estadísticas sin acceder al conjunto de datos; Lo más probable es que el número que da sea una alucinación (inventada). Los coeficientes, proporciones y resultados de las pruebas deben calcularse a partir de los datos verificados por el propio investigador, no tomados de la memoria del modelo.
2. ¿Qué significa que los datos faltantes "no falten al azar" (MNAR) y por qué es importante?
- A) La deficiencia se debe al propio valor no observado; Es por eso que una simple asignación puede crear sesgos ✔
- B) Los datos desaparecen de forma completamente aleatoria y no crean ningún sesgo.
- C) Los datos faltantes siempre deben resolverse eliminando la fila.
- D) Los datos faltantes no afectan el análisis de ninguna manera.
Explicación: En el caso de MNAR (Missing Not At Random), la falta en sí depende de la magnitud del valor no observado (por ejemplo, las personas con altos ingresos no declaran sus ingresos). En este caso, la simple eliminación o la asignación promedio dan resultados sesgados; Se debe modelar el mecanismo de la deficiencia. El método de asignación sugerido por la inteligencia artificial no debe aplicarse a ciegas sin conocer este mecanismo.
3. Un analista hace que la IA cree un gráfico de barras y la IA comienza el eje y en 40 en lugar de cero. La diferencia real del 2% entre los dos grupos parece enorme en el gráfico. ¿Cuál es el enfoque correcto?
- A) Comenzar el eje desde cero o cambiar el tipo de gráfico; ✔ para mostrar el verdadero tamaño de la diferencia sin inducir a error
- B) Usar el gráfico tal como está porque la IA toma la mejor decisión
- C) Comenzando el eje en 45 para hacer la diferencia aún mayor
- D) Nunca utilices imágenes en lugar de gráficos de barras.
Explicación: En un gráfico de barras, el eje discontinuo (el eje y que no comienza desde cero) induce a error al exagerar pequeñas diferencias. En una visualización honesta, el eje de los gráficos de barras debe comenzar desde cero o la diferencia debe indicarse claramente y de forma consciente. Es responsabilidad del analista verificar la imagen y corregirla si es necesario.
4. ¿Cómo se tergiversa a menudo en la interpretación de la inteligencia artificial el hecho de que un coeficiente es "significativo" (p<0,05) en la regresión lineal?
- A) Presentación exagerada de la importancia ya que el efecto es grande e importante o se establece la causalidad ✔
- B) La significancia siempre indica que el efecto es pequeño
- C) p<0,05 demuestra que el coeficiente es absolutamente correcto
- D) Nunca se deben informar los coeficientes significativos.
Explicación: La significación estadística se relaciona con la solidez de la evidencia de que el efecto es diferente de cero; No significa que el efecto sea grande, importante o causal. La IA a menudo presenta la palabra "significativo" como "impacto significativo/fuerte". El investigador también debe evaluar el tamaño del efecto, el intervalo de confianza y el contexto.
5. ¿A qué se refiere el término 'p-hacking' y por qué la IA puede hacerlo más fácil?
- A) Probar múltiples análisis hasta que tenga sentido; La IA hace esto muy rápidamente, aumentando el riesgo ✔
- B) Analizar los datos una vez y con un plan predeterminado
- C) ampliar la muestra para aumentar el valor p
- D) Informar únicamente estadísticas descriptivas
Explicación: p-hacking consiste en probar diferentes variables, submuestras, transformaciones o modelos hasta que surja un resultado significativo; esto produce hallazgos espurios basados en el azar. Dado que la IA puede probar docenas de variantes de modelos en segundos, puede acelerar el p-hacking sin un plan honesto. Defensa; prerregistro, plan de análisis fijo y corrección de comparación múltiple.
6. ¿Por qué podría ser engañoso encontrar una regresión de R cuadrado alto entre dos series de tiempo no estacionarias (raíces unitarias)?
- A) Puede ocurrir una regresión espuria debido a una tendencia común; ✔ Alto rendimiento de R cuadrado sin relación real
- B) Un R cuadrado alto siempre demuestra una fuerte relación causal.
- C) Las series no estacionarias no pueden entrar en regresión en absoluto.
- D) R cuadrado no se puede calcular en series de tiempo
Explicación: Si no existe una relación de cointegración común entre series no estacionarias, la regresión espuria puede producir un R cuadrado alto y un coeficiente significativo solo debido a una tendencia común; mientras que no existe una relación real. Por lo tanto, primero se deben realizar pruebas de estacionariedad y raíz unitaria y, si es necesario, se deben tomar diferencias o probar la cointegración.
7. ¿Qué supuesto básico se basa en la validez del diseño de Diferencias en Diferencias?
- A) Supuesto de tendencias paralelas: los grupos seguirían la misma dirección si no hubiera intervención ✔
- B) Los grupos de tratamiento y control son exactamente iguales al principio
- C) Distribución normal de la muestra.
- D) Las variables no contienen datos faltantes.
Explicación: DiD supone que, en ausencia de la intervención, la variable de resultado para los grupos de tratamiento y control habría seguido un curso paralelo en el tiempo (supuesto de tendencias paralelas). Si no se cumple este supuesto, la estimación está sesgada. La IA puede producir el código DiD, pero es trabajo del investigador defender y probar tendencias paralelas.
8. ¿Cuál de las siguientes es una práctica obligatoria para un análisis reproducible?
- A) Arreglando la semilla en pasos aleatorios, registrando las versiones del paquete y el código ✔
- B) Copie manualmente los resultados a la hoja de cálculo y elimine el código.
- C) Es normal ver resultados diferentes en cada ejecución.
- D) Mantener solo los gráficos finales, no compartir datos ni código.
Descripción: Reproducibilidad; Se puede volver a obtener el mismo resultado con los mismos datos y código. Arreglar la semilla en pasos aleatorios, guardar versiones de paquetes y ejecutar el código dentro del documento (programación alfabetizada) son las piedras angulares de esto. Copiar los resultados manualmente o realizar pasos sin registro basados en clics perjudica la reproducibilidad.
9. ¿Qué distorsiona la heterocedasticidad en una regresión lineal y cuál es su solución común?
- A) Distorsiona los errores estándar; la solución son errores estándar robustos o una transformación adecuada ✔
- B) Invalida completamente las estimaciones de coeficientes y no tiene solución
- C) Siempre reduce R cuadrado a cero
- D) Ocurre sólo si la muestra es muy pequeña y puede ignorarse
Explicación: La heteroscedasticidad deja las estimaciones de coeficientes imparciales pero calcula mal los errores estándar; Esto hace que los valores p y los intervalos de confianza no sean confiables. Una solución común es utilizar errores estándar robustos/HC o una conversión adecuada. Hay que comprobar que la solución sugerida por la IA realmente soluciona el problema en lugar de ocultarlo.
10. Un investigador carga microdatos que contienen información de identificación a nivel de paciente e ingresos en una herramienta pública de chat de IA y dice "hacer regresión". ¿Cuál es el principal problema con este comportamiento?
- A) Cargar datos personales/con licencia a una herramienta externa constituye una violación de la confidencialidad y del contrato ✔
- B) La regresión no puede realizarse en absoluto mediante inteligencia artificial
- C) Los microdatos no son adecuados para la regresión en absoluto
- D) La IA siempre calcula mal la regresión
Explicación: Los datos personales/especiales, como la identidad y los ingresos, están protegidos por KVKK/GDPR y la mayoría de los acuerdos de uso de datos; Cargarlos en un dispositivo externo que pueda almacenar datos es una infracción. La manera correcta; Anonimizar datos, utilizar herramientas seguras locales/institucionales o simplemente solicitar código a la inteligencia artificial y ejecutar el código en su propio entorno.
11. ¿Qué se observa cuando la multicolinealidad es alta?
- A) Los coeficientes se vuelven inestables y los errores estándar se inflan; Los coeficientes individuales pueden resultar insignificantes ✔
- B) R cuadrado siempre disminuye a cero
- C) Las estimaciones de coeficientes se vuelven cada vez más precisas
- D) La escala de la variable dependiente cambia
Explicación: En alta multicolinealidad, las variables independientes están fuertemente correlacionadas entre sí; Las estimaciones de los coeficientes se vuelven inestables, los errores estándar se inflan y los coeficientes individuales pueden resultar insignificantes, mientras que el modelo general puede ser significativo. Se diagnostica mediante criterios como el VIF. La inteligencia artificial puede sugerir la eliminación de variables, pero corresponde al investigador decidir qué variable debe seguir siendo teórica.
12. ¿Qué es el poder estadístico y cuál es el riesgo de un estudio de bajo poder?
- A) Posibilidad de detectar el efecto existente; La potencia baja no detecta los efectos reales y hace que los hallazgos no sean confiables ✔
- B) probabilidad de reducir el valor p; Una potencia más baja siempre da resultados más confiables.
- C) Un valor constante independiente del tamaño de la muestra.
- D) Un concepto que es válido sólo cuando se utiliza inteligencia artificial
Explicación: La potencia es la probabilidad de detectar un efecto que realmente existe (1 menos el error tipo II). Los estudios de bajo poder estadístico pueden pasar por alto efectos reales; Además, los pocos resultados significativos pueden tener un tamaño de efecto exagerado ('maldición del ganador') y la tasa de falsos positivos aumenta. Por lo tanto, el cálculo de potencia/muestra es importante antes del análisis.
13. ¿Por qué es éticamente necesario divulgar el uso de inteligencia artificial en un artículo?
- A) Por la transparencia y la rendición de cuentas; ✔ los lectores y árbitros pueden evaluar el proceso y la responsabilidad sigue siendo del autor
- B) El uso de inteligencia artificial invalida automáticamente los resultados
- C) Solicitado por revistas únicamente con fines publicitarios
- D) Transferir el copyright de la explicación a la inteligencia artificial
Divulgación: La transparencia es necesaria para que el lector y los revisores puedan evaluar cómo se produjeron los resultados; Muchas revistas e instituciones exigen ahora la divulgación del uso de la IA. Además, dado que la inteligencia artificial puede producir errores/alucinaciones, es una cuestión de honestidad afirmar que la responsabilidad sigue siendo del autor y qué pasos fueron auditados.
14. ¿Qué requiere la 'restricción de exclusión' en el método de la variable instrumental (IV)?
- A) La herramienta afecta el resultado sólo a través de la variable interna, no hay otra forma directa ✔
- B) El instrumento no tiene relación con la variable de resultado.
- C) El instrumento no está relacionado con la variable endógena.
- D) La media es siempre una variable binaria (0/1)
Explicación: La restricción de exclusión requiere que el instrumento afecte la variable de resultado sólo a través de la variable explicativa endógena y no a través de ningún otro medio directo o factor no observado. Esta suposición no puede comprobarse completamente a partir de datos; Se defiende sobre bases teóricas e institucionales. La IA puede escribir el código IV, pero es trabajo del investigador defender la validez de la herramienta.
15. ¿Qué significa el problema del 'Jardín de caminos que se bifurcan' en los análisis flexibles sin registro previo?
- A) Demasiadas opciones de análisis razonables basadas en los datos aumentan la tasa de falsos positivos, incluso sin querer ✔
- B) Los métodos de análisis deben ser únicos y obligatorios.
- C) Un problema que sólo ocurre cuando ocurre trampa intencional.
- D) Una situación que desaparece espontáneamente a medida que crece la muestra.
Explicación: Después de ver los datos, el investigador puede tomar muchas decisiones razonables sobre qué variable, subgrupo, transformación o umbral utilizar. Incluso si no existe un único 'p-hacking intencional', esta flexibilidad aumenta la tasa de falsos positivos porque el significativo se elige efectivamente entre un gran número de análisis. El registro previo y un plan de análisis fijo limitan esta flexibilidad.