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 9 / 11

Analyse de causalité et politique : DiD, IV, RDD et intelligence artificielle

Gains :

Comprendre la distinction entre corrélation et causalité et la logique des conceptions telles que la différence de différence (DiD), la variable instrumentale (IV), la discontinuité de régression (RDD) avec le soutien de l'intelligence artificielle
Être capable de voir l'hypothèse déterminante sur laquelle repose chaque conception (tendances parallèles, contrainte d'exclusion, continuité dans la discontinuité) et le rôle de l'IA dans la production de code de test/défense
Capacité à évaluer de manière critique la stratégie de reconnaissance et d'identification des interprétations de l'intelligence artificielle qui produisent des allégations causales excessives à partir de données d'observation.

Précédent Suivant