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 9 / 11

Orsaks- och policyanalys: DiD, IV, RDD och artificiell intelligens

Vinster:

Förstå distinktionen mellan korrelation och kausalitet och logiken i design som skillnad-i-skillnad (DiD), instrumentell variabel (IV), regressionsdiskontinuitet (RDD) med stöd av artificiell intelligens
Att kunna se det definierande antagandet som varje design är baserad på (parallella trender, uteslutningsbegränsning, kontinuitet i diskontinuitet) och AI:s roll för att producera test-/försvarskod
Förmåga att kritiskt utvärdera strategin att känna igen och identifiera tolkningar av artificiell intelligens som producerar överdrivna kausala påståenden från observationsdata.

Tidigare Nästa