Unidades

1. Inteligencia artificial en econometría y estadística: roles, límites, autenticación y privacidad 2. Limpieza y preparación de datos: datos faltantes, valores atípicos y codificación 3. Análisis y visualización de datos exploratorios: gráficos e interpretación con inteligencia artificial 4. Regresión lineal: construcción de modelos, interpretación de coeficientes y supuestos 5. Diagnóstico de regresión y violaciones: colinealidad, heteroscedasticidad, autocorrelación 6. Prueba de hipótesis y valor p: significancia, potencia y comparaciones múltiples 7. p-hacking, HARKing e integridad estadística: obstáculos en la era de la inteligencia artificial 8. Análisis de series temporales: estacionariedad, ARIMA y previsión 9. Análisis de causalidad y políticas: DiD, IV, RDD e inteligencia artificial 10. Generación de código y reproducibilidad: R/Python, control de versiones y reproducibilidad 11. Redacción de informes, comunicación y ética: presentación de resultados y comunicación de límites

Unidad 9 / 11

Análisis de causalidad y políticas: DiD, IV, RDD e inteligencia artificial

Ganancias:

Comprender la distinción entre correlación y causalidad y la lógica de diseños como diferencia en diferencias (DiD), variable instrumental (IV), regresión discontinua (RDD) con el apoyo de inteligencia artificial.
Ser capaz de ver el supuesto definitorio en el que se basa cada diseño (tendencias paralelas, restricción de exclusión, continuidad en discontinuidad) y el papel de la IA en la producción de código de prueba/defensa.
Capacidad para evaluar críticamente la estrategia de reconocer e identificar interpretaciones de la inteligencia artificial que producen afirmaciones causales excesivas a partir de datos de observación.

Anterior Próximo