Eenheden

1. Kunstmatige intelligentie in econometrie en statistiek: rollen, grenzen, authenticatie en privacy 2. Opschonen en voorbereiden van gegevens: ontbrekende gegevens, uitschieters en codering 3. Verkennende gegevensanalyse en visualisatie: grafieken en interpretatie met kunstmatige intelligentie 4. Lineaire regressie: modelbouw, coëfficiëntinterpretatie en aannames 5. Regressiediagnostiek en overtredingen: collineariteit, heteroscedasticiteit, autocorrelatie 6. Hypothesetesten en p-waarde: significantie, kracht en meerdere vergelijkingen 7. p-hacking, HARKing en statistische integriteit: valkuilen in het tijdperk van kunstmatige intelligentie 8. Tijdreeksanalyse: stationariteit, ARIMA en prognoses 9. Causaliteits- en beleidsanalyse: DiD, IV, RDD en kunstmatige intelligentie 10. Codegeneratie en reproduceerbaarheid: R/Python, versiebeheer en reproduceerbaarheid 11. Rapportschrijven, communicatie en ethiek: resultaten presenteren en grenzen communiceren

Eenheid 10 / 11

Codegeneratie en reproduceerbaarheid: R/Python, versiebeheer en reproduceerbaarheid

Winst:

Mogelijkheid om te verifiëren door de door kunstmatige intelligentie geproduceerde R/Python-analysecode te lezen en te testen en een reproduceerbaar project op te zetten met zaad-, versievergrendeling en mapstructuur
Mogelijkheid om versiebeheer (Git), geletterd programmeren (R Markdown/Quarto/Jupyter) en omgevingsbeheer met ondersteuning voor kunstmatige intelligentie te gebruiken, waardoor analyses van begin tot eind reproduceerbaar zijn
Mogelijkheid om unit-tests en sanity checking uit te voeren om stille fouten in AI-code op te sporen (misjoin, lek, gemist filter)

Voormalig Volgende