Rédaction de rapports, communication et éthique : présentation des résultats et communication des limites — Intelligence artificielle en économétrie et statistiques

Gains :

Capacité à rapporter des résultats empiriques au public cible (universitaires, politiques, gestion) avec le soutien de l'intelligence artificielle, dans un langage honnête et sans ambiguïté.
Capacité à rédiger intégralement des conclusions, des limites et des déclarations éthiques (confidentialité des données, conflits d'intérêts, divulgation de l'utilisation de l'intelligence artificielle) et à éviter les présentations trompeuses
Capacité de l'intelligence artificielle à reconnaître les ébauches de rapports qui produisent un langage exagéré, unilatéral ou causal et à maintenir que la responsabilité du texte final et des affirmations incombe au chercheur.

Examen de module

1. Un chercheur demande « Quel est le coefficient de corrélation entre le chômage et l'inflation en Turquie entre 2015 et 2020 ? » sans donner aucune donnée à l’intelligence artificielle. » demande-t-il et écrit le nombre 0,62 directement dans son article. Quelle est l’erreur fondamentale de cette approche ?

A) Attendre des statistiques concrètes de l’intelligence artificielle sans fournir de données vérifiées ; ✔ Utiliser un numéro qui aurait pu être inventé sans le vérifier
B) Le coefficient de corrélation ne doit jamais être utilisé dans un article.
C) La corrélation ne peut pas être calculée entre chômage et inflation
D) L’intelligence artificielle ne pourra accéder aux données qu’après 2020

Explication : Le modèle de langage d'IA ne peut pas produire de statistiques sans accéder à l'ensemble de données ; Le numéro qu’il donne est très probablement une hallucination (fabriquée). Les coefficients, ratios et résultats de tests doivent être calculés à partir des propres données vérifiées du chercheur, et non de la mémoire du modèle.

2. Qu'est-ce que cela signifie que les données manquantes ne soient « pas manquantes au hasard » (MNAR) et pourquoi est-ce important ?

A) Le déficit est dû à la valeur non observée elle-même ; C'est pourquoi une simple affectation peut créer des biais ✔
B) Les données disparaissent de manière totalement aléatoire et ne créent aucun biais.
C) Les données manquantes doivent toujours être résolues en supprimant la ligne.
D) Les données manquantes n'affectent en rien l'analyse.

Explication : Dans le cas du MNAR (Missing Not At Random), le manque lui-même dépend de l'ampleur de la valeur non observée (par exemple, les hauts revenus ne déclarent pas leurs revenus). Dans ce cas, une simple suppression ou une attribution de moyenne donne des résultats biaisés ; Le mécanisme de la déficience doit être modélisé. La méthode d’affectation proposée par l’intelligence artificielle ne doit pas être appliquée aveuglément sans connaître ce mécanisme.

3. Un analyste demande à l'IA de créer un graphique à barres et l'IA commence l'axe des y à 40 au lieu de zéro. La différence réelle de 2 % entre les deux groupes semble énorme sur le graphique. Quelle est la bonne approche ?

A) Démarrer l'axe à partir de zéro ou changer le type de graphique ; ✔ pour montrer la véritable ampleur de la différence sans induire en erreur
B) Utiliser le graphique tel quel car l'IA fait le meilleur choix
C) Commencer l'axe à 45 pour rendre la différence encore plus grande
D) N'utilisez jamais de visuels à la place de graphiques à barres

Explication : Dans un graphique à barres, l'axe pointillé (l'axe des y qui ne part pas de zéro) induit en erreur en exagérant les petites différences. Dans une visualisation honnête, l’axe des graphiques à barres doit partir de zéro ou la différence doit être consciemment indiquée clairement. Il est de la responsabilité de l'analyste de vérifier l'image et de la corriger si nécessaire.

4. Comment le fait qu'un coefficient soit « significatif » (p<0,05) en régression linéaire est-il souvent déformé dans l'interprétation de l'intelligence artificielle ?

A) Présentation exagérée de l'importance car l'effet est important et important ou la causalité est établie ✔
B) La signification indique toujours que l'effet est faible
C) p<0,05 prouve que le coefficient est absolument correct
D) Les coefficients significatifs ne doivent jamais être déclarés.

Explication : La signification statistique concerne la force des preuves démontrant que l'effet est différent de zéro ; Cela ne signifie pas que l’effet soit important, important ou causal. L'IA présente souvent le mot « significatif » comme « impact significatif/fort ». Le chercheur doit également évaluer l’ampleur de l’effet, l’intervalle de confiance et le contexte.

5. À quoi fait référence le terme « p-hacking » et pourquoi l'IA peut-elle faciliter les choses ?

A) Essayer plusieurs analyses jusqu'à ce que cela ait du sens ; L'IA le fait très rapidement, ce qui augmente le risque ✔
B) Analyser les données une fois et avec un plan prédéterminé
C) élargir l'échantillon pour augmenter la valeur p
D) Déclaration uniquement de statistiques descriptives

Explication : le p-hacking consiste à essayer différentes variables, sous-échantillons, transformations ou modèles jusqu'à ce qu'un résultat significatif émerge ; cela produit des résultats fallacieux basés sur le hasard. Étant donné que l’IA peut essayer des dizaines de variantes de modèles en quelques secondes, elle peut accélérer le piratage sans plan honnête. Défense; préenregistrement, plan d'analyse fixe et correction de comparaisons multiples.

6. Pourquoi trouver une régression R carré élevée entre deux séries temporelles non stationnaires (racine unitaire) pourrait-il être trompeur ?

A) Une régression parasite peut se produire en raison d’une tendance commune ; ✔ Rendement R carré élevé sans relation réelle
B) Un R au carré élevé prouve toujours une forte relation causale.
C) Les séries non stationnaires ne peuvent pas du tout être entrées en régression.
D) Le R au carré ne peut pas être calculé dans des séries chronologiques

Explication : S'il n'existe pas de relation de cointégration commune entre les séries non stationnaires, une régression parasite peut produire un R carré élevé et un coefficient significatif uniquement en raison d'une tendance commune ; alors qu'il n'y a pas de véritable relation. Par conséquent, les tests de stationnarité et de racine unitaire doivent être effectués en premier, et si nécessaire, les différences doivent être prises en compte ou la cointégration doit être testée.

7. Quelle hypothèse de base repose sur la validité du plan Différence-dans-Différences ?

A) Hypothèse de tendances parallèles : les groupes suivraient la même direction s'il n'y avait pas d'intervention ✔
B) Les groupes de traitement et de contrôle sont exactement les mêmes au début
C) Distribution normale de l'échantillon
D) Les variables ne contiennent aucune donnée manquante

Explication : DiD suppose qu'en l'absence d'intervention, la variable de résultat pour les groupes de traitement et de contrôle aurait évolué parallèlement au fil du temps (hypothèse de tendances parallèles). Si cette hypothèse n’est pas remplie, l’estimation est biaisée. L'IA peut produire le code DiD, mais c'est le travail du chercheur de défendre et de tester des tendances parallèles.

8. Lequel des éléments suivants constitue une pratique obligatoire pour une analyse reproductible ?

A) Correction de la graine par étapes aléatoires, enregistrement des versions du package et du code ✔
B) Copiez manuellement les résultats dans la feuille de calcul et supprimez le code
C) Il est normal de voir des résultats différents à chaque course.
D) Conserver uniquement les graphiques finaux, ne pas partager les données et le code

La description: Reproductibilité ; Le même résultat peut être obtenu à nouveau avec les mêmes données et le même code. La correction de la graine par étapes aléatoires, l'enregistrement des versions de package et l'exécution du code dans le document (programmation compétente) en sont les pierres angulaires. La copie manuelle des résultats ou des étapes sans journalisation basées sur des clics nuisent à la reproductibilité.

9. Qu'est-ce que l'hétéroscédasticité déforme une régression linéaire et quelle est sa solution commune ?

A) Cela fausse les erreurs types ; la solution est des erreurs types robustes ou une transformation appropriée ✔
B) Cela invalide complètement les estimations de coefficients et n'a pas de solution
C) Réduit toujours R-carré à zéro
D) Se produit uniquement si l'échantillon est très petit et peut être ignoré

Explication : l'hétéroscédasticité laisse les estimations des coefficients non biaisées mais calcule mal les erreurs types ; Cela rend les valeurs p et les intervalles de confiance peu fiables. Une solution courante consiste à utiliser des erreurs standard robustes/HC ou une conversion appropriée. Il faut vérifier que la solution proposée par l’IA résout effectivement le problème plutôt que de le cacher.

10. Un chercheur télécharge des microdonnées contenant des informations d'identification et des revenus au niveau du patient dans un outil de discussion public basé sur l'IA et dit « faire une régression ». Quel est le principal problème de ce comportement ?

A) Le téléchargement de données personnelles/sous licence vers un outil externe constitue une violation de la confidentialité et du contrat ✔
B) La régression ne peut pas du tout être réalisée par l'intelligence artificielle
C) Les microdonnées ne conviennent pas du tout à la régression
D) L'IA calcule toujours mal la régression

Explication : Les données personnelles/spéciales telles que l'identité et les revenus sont protégées par le KVKK/GDPR et la plupart des accords d'utilisation des données ; Les télécharger sur un appareil externe pouvant stocker des données constitue une violation. La bonne manière ; Anonymiser les données, utiliser des outils sécurisés locaux/institutionnels, ou simplement demander du code à l'intelligence artificielle et exécuter le code dans son propre environnement.

11. Qu'observe-t-on lorsque la multicolinéarité est élevée ?

A) Les coefficients deviennent instables et les erreurs types deviennent gonflées ; Les coefficients individuels peuvent s’avérer dénués de sens ✔
B) R-carré diminue toujours jusqu'à zéro
C) Les estimations des coefficients deviennent de plus en plus précises
D) L'échelle de la variable dépendante change

Explication : En cas de multicolinéarité élevée, les variables indépendantes sont fortement corrélées les unes aux autres ; Les estimations des coefficients deviennent instables, les erreurs types deviennent gonflées et les coefficients individuels peuvent s'avérer insignifiants, alors que le modèle global peut être significatif. Elle est diagnostiquée par des critères tels que le VIF. L’intelligence artificielle peut suggérer l’élimination de variables, mais c’est au chercheur de décider quelle variable doit rester théorique.

12. Qu'est-ce que la puissance statistique et quel est le risque d'une étude de faible puissance ?

A) Possibilité de détecter l'effet existant ; une faible puissance manque les véritables effets et rend les résultats peu fiables ✔
B) probabilité de réduire la valeur p ; une puissance inférieure donne toujours des résultats plus fiables
C) Une valeur constante indépendante de la taille de l'échantillon
D) Un concept qui n'est valable que lorsque l'intelligence artificielle est utilisée

Explication : La puissance est la probabilité de détecter un effet qui existe réellement (1 moins l'erreur de type II). Les études de faible puissance risquent de passer à côté des véritables effets ; De plus, les quelques résultats significatifs peuvent avoir un effet exagéré (« malédiction du gagnant ») et le taux de faux positifs augmente. Par conséquent, le calcul de la puissance/échantillon est important avant l’analyse.

13. Pourquoi est-il éthiquement nécessaire de divulguer l’utilisation de l’intelligence artificielle dans un article ?

A) Pour la transparence et la responsabilité ; ✔ les lecteurs et les évaluateurs peuvent évaluer le processus et la responsabilité reste avec l'auteur
B) L'utilisation de l'intelligence artificielle invalide automatiquement les résultats
C) Demandé par les magazines à des fins publicitaires uniquement
D) Transfert du droit d'auteur de l'explication à l'intelligence artificielle

Divulgation : la transparence est nécessaire pour que le lecteur et les évaluateurs puissent évaluer la manière dont les résultats ont été produits ; De nombreuses revues et institutions exigent désormais la divulgation de l’utilisation de l’IA. De plus, puisque l’intelligence artificielle peut produire des erreurs/hallucinations, il est une question d’honnêteté de préciser que la responsabilité incombe à l’auteur et quelles étapes ont été auditées.

14. Qu'exige la « restriction d'exclusion » dans la méthode des variables instrumentales (IV) ?

A) L'outil affecte le résultat uniquement via la variable interne, il n'y a pas d'autre moyen direct ✔
B) L'instrument n'a aucune relation avec la variable de résultat.
C) L'instrument n'est pas lié à la variable endogène.
D) La moyenne est toujours une variable binaire (0/1)

Explication : La contrainte d'exclusion exige que l'instrument affecte la variable de résultat uniquement par le biais de la variable explicative endogène et non par tout autre moyen direct ou facteur non observé. Cette hypothèse ne peut pas être entièrement testée à partir des données ; Elle est défendue sur des bases théoriques et institutionnelles. L'IA peut écrire le code IV, mais c'est le travail du chercheur de défendre la validité de l'outil.

15. Que signifie le problème du « Jardin des chemins qui bifurquent » dans les analyses flexibles sans pré-enregistrement ?

A) Trop de choix d'analyse raisonnables effectués sur la base des données augmentent le taux de faux positifs, même involontairement ✔
B) Les méthodes d'analyse doivent être uniques et obligatoires
C) Un problème qui ne se produit qu'en cas de tricherie intentionnelle.
D) Une situation qui disparaît spontanément à mesure que l'échantillon s'agrandit

Explication : Après avoir visualisé les données, le chercheur peut faire de nombreux choix raisonnables quant à la variable, au sous-groupe, à la transformation ou au seuil à utiliser. Même s'il n'y a pas de « p-piratage intentionnel » unique, cette flexibilité augmente le taux de faux positifs car le plus significatif est effectivement choisi parmi un grand nombre d'analyses. Le pré-enregistrement et un plan d’analyse fixe limitent cette flexibilité.