Enheter

1. Artificiell intelligens i ekonometri och statistik: roller, gränser, autentisering och sekretess 2. Datarensning och förberedelse: saknade data, extremvärden och kodning 3. Utforskande dataanalys och visualisering: plottning och tolkning med artificiell intelligens 4. Linjär regression: modellbyggnad, koefficienttolkning och antaganden 5. Regressionsdiagnostik och kränkningar: kollinearitet, heteroskedasticitet, autokorrelation 6. Hypotestestning och p-värde: Signifikans, Power och Multiple Comparisons 7. p-hacking, HARKing och statistisk integritet: fallgropar i tiden för artificiell intelligens 8. Tidsserieanalys: Stationaritet, ARIMA och prognoser 9. Orsaks- och policyanalys: DiD, IV, RDD och artificiell intelligens 10. Kodgenerering och reproducerbarhet: R/Python, versionering och reproducerbarhet 11. Rapportskrivning, kommunikation och etik: Presentera resultat och kommunicera gränser

Enhet 10 / 11

Kodgenerering och reproducerbarhet: R/Python, versionering och reproducerbarhet

Vinster:

Möjlighet att verifiera genom att läsa och testa R/Python-analyskoden producerad av artificiell intelligens och etablera ett reproducerbart projekt med frö, versionslås och mappstruktur
Möjlighet att använda versionskontroll (Git), läskunnig programmering (R Markdown/Quarto/Jupyter) och miljöhantering med stöd för artificiell intelligens, vilket gör analys reproducerbar från början till slut
Möjlighet att utföra enhetstester och förnuftskontroll för att fånga tysta fel i AI-kod (felkoppling, läckage, missat filter)

Tidigare Nästa