Unités

1. Intelligence artificielle en économétrie et statistiques : rôles, limites, authentification et confidentialité 2. Nettoyage et préparation des données : données manquantes, valeurs aberrantes et codage 3. Analyse et visualisation exploratoires des données : représentation graphique et interprétation avec l'intelligence artificielle 4. Régression linéaire : construction de modèles, interprétation des coefficients et hypothèses 5. Diagnostics et violations de régression : colinéarité, hétéroscédasticité, autocorrélation 6. Tests d'hypothèses et valeur p : signification, puissance et comparaisons multiples 7. p-hacking, HARKing et intégrité statistique : les pièges à l'ère de l'intelligence artificielle 8. Analyse des séries chronologiques : stationnarité, ARIMA et prévision 9. Analyse de causalité et politique : DiD, IV, RDD et intelligence artificielle 10. Génération de code et reproductibilité : R/Python, versioning et reproductibilité 11. Rédaction de rapports, communication et éthique : présentation des résultats et communication des limites

Unité 10 / 11

Génération de code et reproductibilité : R/Python, versioning et reproductibilité

Gains :

Capacité à vérifier en lisant et en testant le code d'analyse R/Python produit par l'intelligence artificielle et à établir un projet reproductible avec seed, verrouillage de version et structure de dossiers
Capacité à utiliser le contrôle de version (Git), la programmation compétente (R Markdown/Quarto/Jupyter) et la gestion de l'environnement avec prise en charge de l'intelligence artificielle, rendant l'analyse reproductible du début à la fin.
Possibilité d'effectuer des tests unitaires et des vérifications d'intégrité pour détecter les erreurs silencieuses dans le code AI (mauvaise jointure, fuite, filtre manqué)

Précédent Suivant