Enheter

1. Kunstig intelligens i økonometrikk og statistikk: roller, grenser, autentisering og personvern 2. Datarensing og klargjøring: Manglende data, uteliggere og koding 3. Undersøkende dataanalyse og visualisering: grafer og tolkning med kunstig intelligens 4. Lineær regresjon: modellbygging, koeffisienttolkning og forutsetninger 5. Regresjonsdiagnostikk og brudd: Kollinearitet, Heteroskedastisitet, Autokorrelasjon 6. Hypotesetesting og p-verdi: betydning, kraft og flere sammenligninger 7. p-hacking, HARKing og statistisk integritet: fallgruver i en tidsalder av kunstig intelligens 8. Tidsserieanalyse: stasjonaritet, ARIMA og prognoser 9. Årsakssammenheng og policyanalyse: DiD, IV, RDD og kunstig intelligens 10. Kodegenerering og reproduserbarhet: R/Python, versjonering og reproduserbarhet 11. Rapportskriving, kommunikasjon og etikk: Presentere resultater og kommunisere grenser

Enhet 9 / 11

Årsakssammenheng og policyanalyse: DiD, IV, RDD og kunstig intelligens

Gevinster:

Forstå skillet mellom korrelasjon og kausalitet og logikken til design som forskjell-i-forskjell (DiD), instrumentell variabel (IV), regresjonsdiskontinuitet (RDD) med støtte av kunstig intelligens
Å kunne se den definerende antagelsen som hvert design er basert på (parallelle trender, eksklusjonsbegrensning, kontinuitet i diskontinuitet) og rollen til AI i å produsere test-/forsvarskode
Evne til kritisk å vurdere strategien for å gjenkjenne og identifisere tolkninger av kunstig intelligens som produserer overdrevne årsakspåstander fra observasjonsdata.

Tidligere Neste