Vienības

1. Mākslīgais intelekts ekonometrikā un statistikā: lomas, robežas, autentifikācija un privātums 2. Datu tīrīšana un sagatavošana: trūkst datu, novirzes un kodēšana 3. Izpētes datu analīze un vizualizācija: grafiku veidošana un interpretācija ar mākslīgo intelektu 4. Lineārā regresija: modeļa veidošana, koeficientu interpretācija un pieņēmumi 5. Regresijas diagnostika un pārkāpumi: kolinearitāte, heteroskedastiskums, autokorelācija 6. Hipotēžu pārbaude un p-vērtība: nozīme, spēks un vairāki salīdzinājumi 7. p-hacking, HARKing un statistiskā integritāte: lamatas mākslīgā intelekta laikmetā 8. Laika rindu analīze: stacionaritāte, ARIMA un prognozēšana 9. Cēloņsakarības un politikas analīze: DiD, IV, RDD un mākslīgais intelekts 10. Kodu ģenerēšana un reproducējamība: R/Python, Versionēšana un reproducējamība 11. Ziņojumu rakstīšana, komunikācija un ētika: rezultātu prezentēšana un robežu paziņošana

Vienība 9 / 11

Cēloņsakarības un politikas analīze: DiD, IV, RDD un mākslīgais intelekts

Ieguvumi:

Izpratne par atšķirību starp korelāciju un cēloņsakarību un tādu dizainu loģiku kā atšķirības starpība (DiD), instrumentālais mainīgais (IV), regresijas pārtraukums (RDD) ar mākslīgā intelekta atbalstu
Spēja redzēt noteicošo pieņēmumu, uz kuru balstās katrs dizains (paralēlas tendences, izslēgšanas ierobežojumi, nepārtrauktība pārtraukumā) un AI lomu testa/aizsardzības koda izveidē.
Spēja kritiski novērtēt mākslīgā intelekta interpretāciju atpazīšanas un identificēšanas stratēģiju, kas rada pārmērīgas cēloņsakarības no novērojumu datiem.

Bijušais Tālāk