Unità

1. Intelligenza artificiale in econometria e statistica: ruoli, confini, autenticazione e privacy 2. Pulizia e preparazione dei dati: dati mancanti, valori anomali e codifica 3. Analisi e visualizzazione esplorativa dei dati: grafica e interpretazione con l'intelligenza artificiale 4. Regressione lineare: costruzione di modelli, interpretazione dei coefficienti e ipotesi 5. Diagnostica e violazioni della regressione: collinearità, eteroschedasticità, autocorrelazione 6. Verifica di ipotesi e valore p: significatività, potenza e confronti multipli 7. p-hacking, HARKing e integrità statistica: insidie nell'era dell'intelligenza artificiale 8. Analisi delle serie temporali: stazionarietà, ARIMA e previsione 9. Analisi di causalità e politica: DiD, IV, RDD e Intelligenza Artificiale 10. Generazione e riproducibilità del codice: R/Python, Versioning e riproducibilità 11. Scrittura di report, comunicazione ed etica: presentare i risultati e comunicare i confini

Unità 9 / 11

Analisi di causalità e politica: DiD, IV, RDD e Intelligenza Artificiale

Guadagni:

Comprendere la distinzione tra correlazione e causalità e la logica di disegni come differenza-in-differenza (DiD), variabile strumentale (IV), discontinuità di regressione (RDD) con il supporto dell'intelligenza artificiale
Essere in grado di vedere il presupposto determinante su cui si basa ogni progetto (tendenze parallele, vincolo di esclusione, continuità nella discontinuità) e il ruolo dell'intelligenza artificiale nella produzione di codice di test/difesa
Capacità di valutare criticamente la strategia di riconoscere e identificare interpretazioni dell'intelligenza artificiale che producono eccessive affermazioni causali dai dati osservativi.

Ex Prossimo