Прибыль:
- Способность сообщать эмпирические результаты целевой аудитории (академической, политической, управленческой) при поддержке искусственного интеллекта на честном и недвусмысленном языке.
- Способность полностью писать выводы, ограничения и этические заявления (конфиденциальность данных, конфликт интересов, раскрытие использования искусственного интеллекта) и избегать вводящей в заблуждение презентации.
- Способность искусственного интеллекта распознавать проекты отчетов, содержащие преувеличенные, односторонние или причинно-следственные формулировки, и сохранять ответственность за окончательный текст и утверждения лежит на исследователе.
Модульный экзамен
1. Исследователь спрашивает: «Каков коэффициент корреляции между безработицей и инфляцией в Турции в период с 2015 по 2020 год?» не передавая никаких данных искусственному интеллекту. — спрашивает он и записывает число 0,62 прямо в свою статью. В чем принципиальная ошибка такого подхода?
- А) Ожидание конкретной статистики от искусственного интеллекта без предоставления проверенных данных; ✔ Использование номера, который мог быть выдуман без его проверки.
- Б) Коэффициент корреляции никогда не должен использоваться в статье.
- В) Невозможно рассчитать корреляцию между безработицей и инфляцией.
- D) Искусственный интеллект сможет получить доступ к данным только после 2020 года.
Пояснение: Модель языка ИИ не может генерировать статистику без доступа к набору данных; Число, которое он называет, скорее всего, галлюцинация (сфабрикованная). Коэффициенты, соотношения и результаты испытаний должны рассчитываться на основе собственных проверенных данных исследователя, а не взятых из памяти модели.
2. Что означает отсутствие случайных данных (MNAR) и почему это важно?
- А) Недостаток обусловлен самой ненаблюдаемой величиной; Вот почему простое задание может создать предвзятость ✔
- Б) Данные исчезают совершенно случайно и не создают никакой систематической ошибки.
- В) Отсутствующие данные всегда следует устранять путем удаления строки.
- Г) Отсутствие данных никак не влияет на анализ.
Пояснение: В случае MNAR (пропавшие без вести не случайно) само отсутствие зависит от величины ненаблюдаемой величины (например, люди с высокими доходами не сообщают о своих доходах). В этом случае простое удаление или среднее присвоение дает необъективные результаты; Необходимо смоделировать механизм дефицита. Метод присвоения, предложенный искусственным интеллектом, не следует применять вслепую, не зная этого механизма.
3. Аналитик просит ИИ построить гистограмму, и ИИ начинает ось Y с отметки 40 вместо нуля. Фактическая разница в 2% между двумя группами на графике выглядит огромной. Каков правильный подход?
- А) Запуск оси с нуля или изменение типа диаграммы; ✔ показать истинный размер разницы, не вводя в заблуждение
- Б) Используйте диаграмму как есть, потому что лучший выбор делает ИИ.
- В) Начнем ось с 45, чтобы разница была еще больше.
- Г) Никогда не используйте визуальные эффекты вместо гистограмм.
Пояснение: На гистограмме пунктирная ось (ось Y, которая начинается не с нуля) вводит в заблуждение, преувеличивая небольшие различия. При честной визуализации ось гистограммы должна начинаться с нуля или разница должна быть четко обозначена сознательно. Аналитик несет ответственность за проверку изображения и исправление его при необходимости.
4. Как тот факт, что коэффициент является «значимым» (p<0,05) в линейной регрессии, часто искажается при интерпретации искусственного интеллекта?
- А) Преувеличенное представление значимости, поскольку эффект велик и важен или установлена причинно-следственная связь ✔
- Б) Значимость всегда указывает на то, что эффект невелик
- В) р<0,05 доказывает, что коэффициент абсолютно верен
- D) Никогда не следует сообщать о значимых коэффициентах.
Пояснение: Статистическая значимость связана с силой доказательства того, что эффект отличен от нуля; Это не означает, что эффект велик, важен или причинен. ИИ часто представляет слово «значительный» как «значительное/сильное воздействие». Исследователь должен также оценить величину эффекта, доверительный интервал и контекст.
5. Что означает термин «p-хакинг» и почему ИИ может облегчить задачу?
- А) Проведение нескольких анализов, пока это не обретет смысл; ИИ делает это очень быстро, увеличивая риск ✔
- Б) Анализ данных один раз и по заранее заданному плану
- C) расширение выборки для увеличения значения p
- D) Представление только описательной статистики
Пояснение: р-хакинг предполагает пробу различных переменных, подвыборок, преобразований или моделей до тех пор, пока не появится значимый результат; это дает ложные результаты, основанные на случайности. Поскольку ИИ может опробовать десятки вариантов моделей за секунды, он может ускорить взлом без честного плана. Оборона; предварительная регистрация, фиксированный план анализа и коррекция множественных сравнений.
6. Почему обнаружение высокой регрессии R-квадрата между двумя нестационарными (единичным корнем) временными рядами может вводить в заблуждение?
- А) Ложная регрессия может возникнуть из-за общей тенденции; ✔ Высокий выход R-квадрата без реальной связи
- Б) Высокий R-квадрат всегда доказывает сильную причинно-следственную связь.
- В) Нестационарные ряды вообще нельзя ввести в регрессию.
- Г) R-квадрат не может быть рассчитан во временных рядах
Пояснение: Если между нестационарными рядами нет общих отношений коинтеграции, ложная регрессия может давать высокий R-квадрат и значимый коэффициент только из-за общей тенденции; тогда как реальных отношений нет. Поэтому сначала следует провести тесты на стационарность и единичный корень, а при необходимости следует определить различия или проверить коинтеграцию.
7. На каком основном допущении основана обоснованность плана «Разница в различиях»?
- А) Предположение о параллельных тенденциях: группы следовали бы в одном направлении, если бы не было вмешательства ✔
- Б) Лечебная и контрольная группы вначале одинаковы.
- В) Нормальное распределение выборки
- D) Переменные не содержат недостающих данных.
Пояснение: DiD предполагает, что в отсутствие вмешательства переменная результата для экспериментальной и контрольной групп изменялась бы параллельно во времени (допущение о параллельных тенденциях). Если это предположение не выполняется, оценка будет смещенной. ИИ может создать код DiD, но задача исследователя — защищать и проверять параллельные тенденции.
8. Что из перечисленного является обязательным для проведения воспроизводимого анализа?
- А) Исправление начального числа случайными шагами, запись версий пакета и кода ✔
- Б) Вручную скопируйте результаты в электронную таблицу и удалите код.
- В) Это нормально – видеть разные результаты в каждом прогоне.
- D) Сохранение только окончательной графики, без обмена данными и кодом.
Описание: Воспроизводимость; Тот же результат можно получить еще раз с теми же данными и кодом. Краеугольным камнем этого является исправление начального числа случайными шагами, сохранение версий пакета и выполнение кода в документе (грамотное программирование). Копирование результатов вручную или шаги без регистрации на основе щелчков ухудшают воспроизводимость.
9. Что гетероскедастичность искажает линейную регрессию и каково ее общее решение?
- А) искажает стандартные ошибки; решение — устойчивые стандартные ошибки или соответствующее преобразование ✔
- Б) Полностью обесценивает оценки коэффициентов и не имеет решения.
- В) Всегда уменьшает R-квадрат до нуля.
- D) Происходит только в том случае, если выборка очень мала и ее можно игнорировать.
Пояснение: Гетероскедастичность оставляет оценки коэффициентов несмещенными, но приводит к неправильному вычислению стандартных ошибок; Это делает значения p и доверительные интервалы ненадежными. Распространенным решением является использование робастных/HC стандартных ошибок или соответствующего преобразования. Необходимо убедиться, что решение, предложенное ИИ, действительно устраняет проблему, а не скрывает ее.
10. Исследователь загружает микроданные, содержащие идентификационную информацию и информацию о доходах на уровне пациента, в общедоступный чат с искусственным интеллектом и говорит: «Сделайте регрессию». В чем основная проблема такого поведения?
- А) Загрузка личных/лицензионных данных во внешний инструмент представляет собой нарушение конфиденциальности и договора ✔
- Б) Регрессия вообще не может быть выполнена искусственным интеллектом
- В) Микроданные вообще не подходят для регрессии
- Г) ИИ всегда неправильно рассчитывает регрессию
Пояснение: Личные/специальные данные, такие как личность и доход, защищены KVKK/GDPR и большинством соглашений об использовании данных; Загрузка их на внешнее устройство, которое может хранить данные, является нарушением. Правильный путь; Анонимизация данных, использование местных/институциональных инструментов безопасности или простой запрос кода у искусственного интеллекта и запуск кода в собственной среде.
11. Что наблюдается при высокой мультиколлинеарности?
- А) Коэффициенты становятся нестабильными, а стандартные ошибки увеличиваются; Отдельные коэффициенты могут оказаться бессмысленными ✔
- Б) R-квадрат всегда уменьшается до нуля
- В) Оценки коэффициентов становятся все более точными.
- Г) Изменяется масштаб зависимой переменной
Пояснение: При высокой мультиколлинеарности независимые переменные сильно коррелируют друг с другом; Оценки коэффициентов становятся нестабильными, стандартные ошибки раздуваются, а отдельные коэффициенты могут оказаться незначимыми, в то время как общая модель может оказаться значимой. Его диагностируют по таким критериям, как VIF. Искусственный интеллект может предложить исключение переменных, но исследователь должен решить, какая переменная должна оставаться теоретической.
12. Что такое статистическая мощность и каков риск исследования с малой мощностью?
- А) Возможность обнаружения существующего эффекта; низкая мощность упускает истинные эффекты и делает результаты ненадежными ✔
- Б) вероятность снижения значения p; меньшая мощность всегда дает более надежные результаты
- В) Постоянное значение, не зависящее от размера выборки.
- D) Концепция, которая действительна только при использовании искусственного интеллекта.
Пояснение: Мощность – это вероятность обнаружения действительно существующего эффекта (1 минус ошибка II рода). Исследования с низким уровнем мощности могут упустить истинные эффекты; Кроме того, несколько значимых результатов могут иметь преувеличенный эффект («проклятие победителя»), и уровень ложноположительных результатов увеличивается. Поэтому перед анализом важен расчет мощности/выборки.
13. Почему с этической точки зрения необходимо раскрывать в статье использование искусственного интеллекта?
- А) За прозрачность и подотчетность; ✔ читатели и рецензенты могут оценить процесс, ответственность остается за автором
- Б) Использование искусственного интеллекта автоматически делает результаты недействительными.
- C) Запрашивается журналами только в рекламных целях.
- Г) Передача авторских прав на объяснение искусственному интеллекту
Раскрытие информации. Прозрачность необходима, чтобы читатель и рецензенты могли оценить, как были получены результаты; Многие журналы и учреждения теперь требуют раскрытия информации об использовании ИИ. Кроме того, поскольку искусственный интеллект может вызывать ошибки/галлюцинации, честно заявить, что ответственность остается за автором и какие шаги были проверены.
14. Что требует «ограничение исключения» в методе инструментальной переменной (IV)?
- А) Инструмент влияет на результат только через внутреннюю переменную, другого прямого пути нет ✔
- Б) Инструмент не имеет связи с переменной результата.
- В) Инструмент не связан с эндогенной переменной.
- D) Среднее всегда является двоичной (0/1) переменной.
Пояснение: Ограничение исключения требует, чтобы инструмент влиял на переменную результата только посредством эндогенной объясняющей переменной, а не посредством каких-либо других прямых средств или ненаблюдаемых факторов. Это предположение не может быть полностью проверено на основе данных; Его защищают на теоретических и институциональных основаниях. ИИ может написать код IV, но задача исследователя — защитить достоверность инструмента.
15. Что означает задача «Сад расходящихся тропинок» в гибком анализе без предварительной регистрации?
- А) Слишком много разумных вариантов анализа, сделанных на основе данных, увеличивают уровень ложноположительных результатов, даже непреднамеренно ✔
- Б) Методы анализа должны быть едиными и обязательными.
- В) Проблема, которая возникает только тогда, когда происходит преднамеренное мошенничество.
- Г) Ситуация, которая самопроизвольно исчезает по мере роста образца.
Пояснение: После просмотра данных исследователь может сделать множество разумных выборов относительно того, какую переменную, подгруппу, преобразование или пороговое значение использовать. Даже если не существует ни одного «намеренного р-хакинга», такая гибкость увеличивает уровень ложноположительных результатов, поскольку значимый из них фактически выбирается из большого количества анализов. Предварительная регистрация и фиксированный план анализа ограничивают эту гибкость.