Unități

1. Inteligența artificială în econometrie și statistică: roluri, limite, autentificare și confidențialitate 2. Curățarea și pregătirea datelor: date lipsă, valori aberante și codare 3. Analiza și vizualizarea datelor exploratorii: reprezentare grafică și interpretare cu inteligență artificială 4. Regresia liniară: construirea modelelor, interpretarea coeficienților și ipoteze 5. Diagnostice de regresie și încălcări: coliniaritate, heteroscedasticitate, autocorelație 6. Testarea ipotezelor și valoarea p: semnificație, putere și comparații multiple 7. p-hacking, HARKing și integritate statistică: capcane în era inteligenței artificiale 8. Analiza serii temporale: staționaritate, ARIMA și prognoză 9. Analiza cauzei și a politicilor: DiD, IV, RDD și inteligență artificială 10. Generarea codului și reproductibilitatea: R/Python, versiunea și reproductibilitatea 11. Redactarea rapoartelor, comunicarea și etică: prezentarea rezultatelor și comunicarea limitelor

Unitate 9 / 11

Analiza cauzei și a politicilor: DiD, IV, RDD și inteligență artificială

Câștiguri:

Înțelegerea distincției dintre corelație și cauzalitate și logica proiectelor, cum ar fi diferența în diferență (DiD), variabila instrumentală (IV), discontinuitatea regresiei (RDD) cu sprijinul inteligenței artificiale
A putea vedea ipoteza definitorie pe care se bazează fiecare proiect (tendințe paralele, constrângere de excludere, continuitate în discontinuitate) și rolul AI în producerea codului de testare/apărare
Abilitatea de a evalua critic strategia de recunoaștere și identificare a interpretărilor inteligenței artificiale care produc afirmații cauzale excesive din datele observaționale.

Fost Următorul