Јединице
1. Вештачка интелигенција у економетрији и статистици: улоге, границе, аутентификација и приватност 2. Чишћење и припрема података: подаци који недостају, недостаци и кодирање 3. Истраживачка анализа и визуелизација података: цртање и тумачење помоћу вештачке интелигенције 4. Линеарна регресија: изградња модела, интерпретација коефицијената и претпоставке 5. Дијагностика регресије и кршења: колинеарност, хетероскедастичност, аутокорелација 6. Тестирање хипотеза и п-вредност: значајност, моћ и вишеструка поређења 7. п-хаковање, ХАРКинг и статистички интегритет: Замке у доба вештачке интелигенције 8. Анализа временских серија: стационарност, АРИМА и предвиђање 9. Узрочна веза и анализа политике: ДиД, ИВ, РДД и вештачка интелигенција 10. Генерисање кода и репродуктивност: Р/Питхон, верзија и репродуктивност 11. Писање извештаја, комуникација и етика: представљање резултата и комуницирање граница
Јединица 9 / 11

Узрочна веза и анализа политике: ДиД, ИВ, РДД и вештачка интелигенција

Добици:

  • Разумевање разлике између корелације и узрочности и логике дизајна као што су разлика у разлици (ДиД), инструментална варијабла (ИВ), дисконтинуитет регресије (РДД) уз подршку вештачке интелигенције
  • Бити у стању да види дефинишућу претпоставку на којој се заснива сваки дизајн (паралелни трендови, ограничење искључења, континуитет у дисконтинуитету) и улогу вештачке интелигенције у производњи кода за тестирање/одбрану
  • Способност критичке процене стратегије препознавања и идентификовања интерпретација вештачке интелигенције које производе прекомерне узрочне тврдње из података посматрања.
Бивши Следеће