利益:
- 人工知能の支援を受けて、正直で明確な言語で実証結果を対象者（学術、政策、経営陣）に報告する能力
- 結論、制限、倫理的声明（データの機密性、利益相反、人工知能の使用の開示）を完全に記述し、誤解を招く表現を回避する能力
- 誇張的、一方的、または因果関係のある表現を含むレポートの下書きを認識し、最終的な文章と主張に対する責任は研究者にあると維持する人工知能の能力。
モジュール試験
1. 研究者が「2015 年から 2020 年の間のトゥルキエにおける失業率とインフレの相関係数は何ですか?」と尋ねます。人工知能にデータを与えずに。彼は質問して、0.62 という数字を記事に直接書き込みました。このアプローチの根本的な間違いは何でしょうか?
- A) 検証されたデータを提供せずに、人工知能からの具体的な統計を期待する。 ✔ 確認せずにでっち上げられた可能性のある番号を使用する
- B) 相関係数は論文内では決して使用してはなりません。
- C) 失業率とインフレの間の相関関係は計算できない
- D) 人工知能は 2020 年以降にのみデータにアクセスできるようになります
説明: AI 言語モデルは、データセットにアクセスしないと統計を生成できません。彼が与える数字はおそらく幻覚（捏造）です。係数、比率、およびテスト結果は、モデルの記憶から取得するのではなく、研究者自身の検証済みデータから計算する必要があります。
2. 欠損データが「ランダムに欠落していない」(MNAR) とは何を意味しますか?また、それがなぜ重要ですか?
- A) 不足は、観測されていない値自体が原因です。単純な割り当てがバイアスを生み出す可能性があるのはそのためです ✔
- B) データは完全にランダムに消え、バイアスは生じません。
- C) 欠落データは常に行を削除することで解決する必要があります。
- D) 欠損データは分析にまったく影響しません。
説明: MNAR (Missing Not At Random) の場合、欠損自体は観測されていない値の大きさに依存します (たとえば、高所得者は収入を報告しません)。この場合、単純な削除または平均的な割り当てでは偏った結果が得られます。欠乏のメカニズムをモデル化する必要があります。この仕組みを知らずに、人工知能が提案する割り当て方法をやみくもに適用すべきではありません。
3. アナリストが AI に棒グラフを作成させると、AI は Y 軸を 0 ではなく 40 から開始します。 2 つのグループ間の実際の差異は 2% であり、グラフ上では非常に大きく見えます。正しいアプローチとは何でしょうか?
- A) 軸を最初から開始するか、グラフの種類を変更します。 ✔ 誤解を招くことなく、違いの実際の大きさを示すため
- B) AIが最適な選択をするため、チャートをそのまま使用
- C) 軸を 45 から開始して差をさらに大きくする
- D) 棒グラフの代わりにビジュアルを使用しないでください。
説明: 棒グラフでは、破線の軸 (ゼロから始まらない Y 軸) が小さな違いを誇張して誤解を招きます。正直な視覚化では、棒グラフの軸をゼロから開始するか、違いを意識的に明確に示す必要があります。画像を検証し、必要に応じて修正するのは分析者の責任です。
4. 線形回帰において係数が「有意」である (p<0.05) という事実は、人工知能の解釈においてどのように誤って伝えられるのでしょうか?
- A) 効果が大きく重要である、または因果関係が確立されているため、重要性を誇張して表現する ✔
- B) 有意性は常に効果が小さいことを示します
- C) p<0.05 は、係数が完全に正しいことを証明します
- D) 重要な係数は決して報告されるべきではありません。
説明: 統計的有意性は、効果がゼロとは異なるという証拠の強さに関係します。影響が大きい、重要である、因果関係があるという意味ではありません。 AIは「重大な」という言葉を「重大な/強い影響」として表現することがよくあります。研究者は、効果の大きさ、信頼区間、および背景も評価する必要があります。
5. 「P-ハッキング」という用語は何を指しますか?また、AI によってそれが簡単にできるのはなぜですか?
- A) 意味がわかるまで複数の分析を試みます。 AI はこれを非常に迅速に実行するため、リスクが増大します ✔
- B) あらかじめ決められた計画に基づいてデータを 1 回分析する
- C) サンプルを拡大して p 値を増加させる
- D) 記述統計のみを報告する
説明: p-ハッキングとは、意味のある結果が現れるまで、さまざまな変数、サブサンプル、変換、またはモデルを試みることです。これにより、偶然に基づいた偽の結果が得られます。 AI は数十のモデル バリアントを数秒で試すことができるため、正直な計画がなくてもハッキングをスピードアップする可能性があります。防衛;事前登録、固定分析計画、多重比較修正。
6. 2 つの非定常 (単位根) 時系列間で高い R 二乗回帰を見つけることが誤解を招くのはなぜですか?
- A) 共通の傾向により、偽の回帰が発生する可能性があります。 ✔ 実際の関係を持たない高い R 二乗出力
- B) 高い R 二乗は常に強い因果関係を証明します。
- C) 非定常系列は回帰にまったく入力できません。
- D) R2 は時系列で計算できません
説明: 非定常系列間に共通の共積分関係がない場合、共通の傾向によってのみ、偽回帰により高い R 二乗と有意な係数が生成される可能性があります。しかし実際の関係はありません。したがって、定常性と単位根の検定を最初に実行し、必要に応じて差分を取得するか共和分を検定する必要があります。
7. 差異内差異設計の妥当性はどのような基本的な仮定に基づいていますか?
- A) 平行傾向の仮定: 介入がなければグループは同じ方向をたどる ✔
- B) 治療グループと対照グループは最初はまったく同じです
- C) サンプルの正規分布
- D) 変数に欠損データが含まれていない
説明: DiD は、介入がなければ、治療群と対照群の結果変数は時間の経過とともに平行して推移すると仮定しています (平行傾向の仮定)。この仮定が満たされない場合、推定値には偏りが生じます。 AI は DiD コードを生成できますが、並行する傾向を擁護してテストするのは研究者の仕事です。
8. 再現可能な分析のために必須の実践は次のうちどれですか?
- A) ランダムなステップでシードを修正し、パッケージのバージョンとコードを記録する ✔
- B) 結果を手動でスプレッドシートにコピーし、コードを削除します。
- C) 実行ごとに異なる結果が表示されるのは正常です。
- D) データやコードを共有せず、最終的なグラフィックのみを保持する
説明: 再現性。同じデータとコードを使用しても、同じ結果が得られます。ランダムなステップでシードを修正し、パッケージのバージョンを保存し、ドキュメント内のコードを実行する (読み書き可能なプログラミング) ことが、この基礎です。結果を手動でコピーしたり、クリックベースのログをとらない手順をコピーすると、再現性が損なわれます。
9. 不均一分散性は線形回帰をどのように歪めますか?またその一般的な解決策は何ですか?
- A) 標準誤差を歪めます。解決策は堅牢な標準誤差または適切な変換です ✔
- B) 係数推定が完全に無効になり、解決策がありません
- C) R2 乗を常にゼロにします。
- D) サンプルが非常に小さく無視できる場合にのみ発生します。
説明: 不均一分散性により、係数推定値は不偏のままになりますが、標準誤差が誤って計算されます。これにより、p 値と信頼区間の信頼性が低くなります。一般的な解決策は、ロバスト/HC 標準誤差または適切な変換を使用することです。 AI が提案した解決策が問題を隠すのではなく、実際に解決するかどうかを検証する必要があります。
10. 研究者は、患者レベルの識別情報と収入を含むマイクロデータをパブリック AI チャット ツールにアップロードし、「回帰を実行してください」と言います。この動作の主な問題は何ですか?
- A) 個人データ/ライセンスデータを外部ツールにアップロードすると、機密保持と契約違反になります ✔
- B) 回帰は人工知能にはまったくできません
- C) ミクロデータは回帰には全く適さない
- D) AI は回帰を常に誤って計算します
説明: ID や収入などの個人/特別データは、KVKK/GDPR およびほとんどのデータ使用契約に基づいて保護されています。データを保存できる外部デバイスにアップロードすることは違反です。正しい方法;ローカル/機関の安全なツールを使用してデータを匿名化するか、単に人工知能にコードをリクエストして独自の環境でコードを実行します。
11. 多重共線性が高い場合には何が観察されますか?
- A) 係数が不安定になり、標準誤差が大きくなります。個々の係数は無意味であることが判明する可能性があります ✔
- B) R 二乗は常にゼロに減少します。
- C) 係数推定値は常に正確になります
- D) 従属変数のスケールが変化する
説明: 多重共線性が高い場合、独立変数は互いに強く相関します。係数の推定値が不安定になり、標準誤差が増大し、モデル全体が重要であるにもかかわらず、個々の係数が重要ではないことが判明する可能性があります。 VIFなどの基準で診断されます。人工知能は変数の削除を提案するかもしれませんが、どの変数を理論上に残すかを決定するのは研究者次第です。
12. 統計的検出力とは何ですか?また、低検出力研究のリスクは何ですか?
- A) 既存の影響を検出する可能性。低出力では真の効果が見逃され、結果の信頼性が低くなります ✔
- B) p 値が減少する確率。消費電力が低いほど、常に信頼性の高い結果が得られます
- C) サンプルサイズに依存しない一定の値
- D) 人工知能を使用する場合にのみ有効な概念
説明: 検出力は、実際に存在する効果を検出する確率です (1 からタイプ II 誤差を引いたもの)。検出力が低い研究では、真の効果が見逃される可能性があります。さらに、少数の重要な結果は効果の大きさが誇張される可能性があり (「勝者の呪い」)、偽陽性率が増加します。したがって、分析の前に検出力/サンプルの計算が重要です。
13. 記事内で人工知能の使用を開示することが倫理的に必要なのはなぜですか?
- A) 透明性と説明責任のため。 ✔ 読者と査読者はプロセスを評価でき、責任は著者にあります
- B) 人工知能の使用により、結果は自動的に無効になります
- C) 広告目的のみで雑誌から依頼された場合
- D) 説明の著作権を人工知能に譲渡する
開示: 読者と査読者が結果がどのように生成されたかを評価できるようにするためには、透明性が必要です。現在、多くのジャーナルや機関が AI の使用状況の開示を求めています。さらに、人工知能はエラーや幻覚を引き起こす可能性があるため、責任は作成者にあり、どのステップが監査されたかを正直に述べる必要があります。
14. 機器変数 (IV) 法における「除外制限」には何が必要ですか?
- A) このツールは内部変数を通じてのみ結果に影響を与えます。他に直接的な方法はありません ✔
- B) この手段は結果変数とは何の関係もありません。
- C) この手段は内生変数とは無関係です。
- D) 平均値は常にバイナリ (0/1) 変数です
説明: 除外制約では、手段が他の直接的な手段や観察されない要因ではなく、内生説明変数を通じてのみ結果変数に影響を与えることが必要です。この仮定をデータから完全にテストすることはできません。それは理論的および制度的根拠に基づいて擁護されています。 AIがIVコードを書くこともありますが、ツールの正当性を守るのは研究者の仕事です。
15. 事前登録なしの柔軟な分析における「分岐路の庭」問題は何を意味しますか?
- A) データに基づいて合理的な分析の選択が多すぎると、たとえ意図的ではなくても誤検知率が増加します ✔
- B) 分析方法は単一かつ必須でなければなりません
- C) 意図的な不正行為が行われた場合にのみ発生する問題。
- D) サンプルが成長するにつれて自然に消滅する状況
説明: データを表示した後、研究者はどの変数、サブグループ、変換、またはしきい値を使用するかについて、多くの合理的な選択を行うことができます。単一の「意図的な p-ハッキング」がない場合でも、多数の分析から重要なものが効果的に選択されるため、この柔軟性によって誤検知率が増加します。事前登録と固定の分析計画により、この柔軟性が制限されます。