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 9 / 11

Causaliteits- en beleidsanalyse: DiD, IV, RDD en kunstmatige intelligentie

Winst:

Inzicht in het onderscheid tussen correlatie en causaliteit en de logica van ontwerpen zoals Difference-in-Difference (DiD), instrumentele variabele (IV), regressiediscontinuïteit (RDD) met behulp van kunstmatige intelligentie
In staat zijn om de bepalende aanname te zien waarop elk ontwerp is gebaseerd (parallelle trends, uitsluitingsbeperkingen, continuïteit in discontinuïteit) en de rol van AI bij het produceren van test-/verdedigingscode
Vermogen om kritisch de strategie te evalueren voor het herkennen en identificeren van interpretaties van kunstmatige intelligentie die buitensporige causale claims produceren op basis van observationele gegevens.

Voormalig Volgende