Enote

1. Umetna inteligenca v ekonometriji in statistiki: vloge, meje, avtentikacija in zasebnost 2. Čiščenje in priprava podatkov: manjkajoči podatki, odstopanja in kodiranje 3. Raziskovalna analiza in vizualizacija podatkov: Grafiranje in interpretacija z umetno inteligenco 4. Linearna regresija: izdelava modela, interpretacija koeficientov in predpostavke 5. Regresijska diagnostika in kršitve: kolinearnost, heteroskedastičnost, avtokorelacija 6. Preizkušanje hipotez in p-vrednost: pomembnost, moč in več primerjav 7. p-hacking, HARKing in statistična integriteta: pasti v dobi umetne inteligence 8. Analiza časovnih vrst: stacionarnost, ARIMA in napovedovanje 9. Vzročna zveza in analiza politike: DiD, IV, RDD in umetna inteligenca 10. Generiranje kode in ponovljivost: R/Python, različice in ponovljivost 11. Pisanje poročil, komunikacija in etika: Predstavitev rezultatov in sporočanje meja

Enota 9 / 11

Vzročna zveza in analiza politike: DiD, IV, RDD in umetna inteligenca

Dobički:

Razumevanje razlikovanja med korelacijo in vzročnostjo ter logiko načrtov, kot so razlika v razliki (DiD), instrumentalna spremenljivka (IV), regresijska diskontinuiteta (RDD) s podporo umetne inteligence
Biti sposoben videti odločilno predpostavko, na kateri temelji vsaka zasnova (vzporedni trendi, omejitev izključitve, kontinuiteta v prekinitve) in vlogo umetne inteligence pri izdelavi testne/obrambne kode
Sposobnost kritičnega vrednotenja strategije prepoznavanja in prepoznavanja interpretacij umetne inteligence, ki proizvajajo pretirane vzročne trditve iz opazovalnih podatkov.

nekdanji Naprej