Ühikud

1. Tehisintellekt ökonomeetrias ja statistikas: rollid, piirid, autentimine ja privaatsus 2. Andmete puhastamine ja ettevalmistamine: puuduvad andmed, kõrvalekalded ja kodeerimine 3. Uurimuslik andmete analüüs ja visualiseerimine: graafiku tegemine ja tõlgendamine tehisintellektiga 4. Lineaarne regressioon: mudeli koostamine, koefitsientide tõlgendamine ja eeldused 5. Regressioonidiagnostika ja rikkumised: kollineaarsus, heteroskedastilisus, autokorrelatsioon 6. Hüpoteesi testimine ja p-väärtus: olulisus, võimsus ja mitmekordne võrdlus 7. p-häkkimine, HARKing ja statistiline terviklikkus: lõkse tehisintellekti ajastul 8. Aegridade analüüs: statsionaarsus, ARIMA ja prognoosimine 9. Põhjusliku seose ja poliitika analüüs: DiD, IV, RDD ja tehisintellekt 10. Koodi genereerimine ja reprodutseeritavus: R/Python, versioonimine ja reprodutseeritavus 11. Aruannete kirjutamine, suhtlemine ja eetika: tulemuste esitamine ja piiride teavitamine

Üksus 9 / 11

Põhjusliku seose ja poliitika analüüs: DiD, IV, RDD ja tehisintellekt

Kasu:

Tehisintellekti toel korrelatsiooni ja põhjuslikkuse erinevuse mõistmine ning selliste disainilahenduste loogika mõistmine, nagu erinevuste erinevus (DiD), instrumentaalne muutuja (IV), regressiooni katkestus (RDD)
Võimalus näha määravat eeldust, millel iga kujundus põhineb (paralleelsed suundumused, välistamispiirangud, katkestuste järjepidevus) ja AI rolli test-/kaitsekoodi loomisel
Võime kriitiliselt hinnata tehisintellekti tõlgenduste äratundmise ja tuvastamise strateegiat, mis toovad vaatlusandmete põhjal liigseid põhjuslikke väiteid.

Endine Edasi