Прибуток:
- Здатність повідомляти емпіричні висновки цільовій аудиторії (науковці, політиці, керівництву) за допомогою штучного інтелекту чесною та недвозначною мовою
- Здатність повністю писати висновки, обмеження та етичні заяви (конфіденційність даних, конфлікт інтересів, розкриття використання штучного інтелекту) та уникати оманливої презентації
- Здатність штучного інтелекту розпізнавати чернетки звітів, які створюють перебільшену, однобічну або причинно-наслідкову мову, і підтримувати, що відповідальність за остаточний текст і твердження лежить на досліднику.
Модульний екзамен
1. Дослідник запитує: «Який коефіцієнт кореляції між безробіттям та інфляцією в Туреччині між 2015 і 2020 роками?» не передаючи жодних даних штучному інтелекту. — запитує він і пише число 0,62 прямо у своїй статті. У чому принципова помилка такого підходу?
- A) Очікування конкретної статистики від штучного інтелекту без надання перевірених даних; ✔ Використання номера, яке, можливо, було складено без перевірки
- B) Коефіцієнт кореляції ніколи не повинен використовуватися в статті.
- C) Кореляція не може бути розрахована між безробіттям та інфляцією
- D) Штучний інтелект зможе отримати доступ до даних лише після 2020 року
Пояснення: мовна модель штучного інтелекту не може створити статистику без доступу до набору даних; Цифра, яку він наводить, швидше за все, галюцинація (вигадана). Коефіцієнти, відношення та результати тестування слід розраховувати на основі власних перевірених даних дослідника, а не брати з пам’яті моделі.
2. Що це означає для відсутніх даних бути «не пропущеними випадково» (MNAR) і чому це важливо?
- A) Дефіцит зумовлений самою неспостережуваною величиною; Ось чому просте призначення може створити упередженість ✔
- B) Дані зникають абсолютно випадковим чином і не створюють жодних упереджень.
- C) Відсутні дані завжди слід вирішувати шляхом видалення рядка.
- D) Відсутні дані жодним чином не впливають на аналіз.
Пояснення: у випадку MNAR (пропущення не випадково) сама відсутність залежить від величини неспостережуваного значення (наприклад, високооплачувані не повідомляють про свій дохід). У цьому випадку просте видалення або усереднення дає необ’єктивні результати; Необхідно змоделювати механізм дефіциту. Метод призначення, запропонований штучним інтелектом, не слід застосовувати сліпо, не знаючи цього механізму.
3. Аналітик має штучний інтелект створити стовпчасту діаграму, і штучний інтелект починає вісь Y з 40 замість нуля. Фактична різниця в 2% між двома групами виглядає величезною на графіку. Який правильний підхід?
- A) Запуск осі з нуля або зміна типу діаграми; ✔ показати справжній розмір різниці, не вводячи в оману
- B) Використання діаграми як є, тому що ШІ робить найкращий вибір
- C) Початок осі під кутом 45, щоб зробити різницю ще більшою
- D) Ніколи не використовуйте візуальні елементи замість гістограм
Пояснення: на гістограмі пунктирна вісь (вісь y, яка не починається з нуля) вводить в оману, перебільшуючи невеликі відмінності. У чесній візуалізації вісь стовпчастих діаграм повинна починатися з нуля або різниця повинна бути свідомо чітко вказана. Аналітик відповідає за перевірку зображення та виправлення його, якщо необхідно.
4. Яким чином той факт, що коефіцієнт є «значним» (p<0,05) у лінійній регресії, часто неправильно відображається в інтерпретації штучного інтелекту?
- A) Перебільшене представлення значущості, оскільки ефект великий і важливий або причинно-наслідковий зв’язок встановлений ✔
- B) Значимість завжди вказує на те, що ефект невеликий
- В) p<0,05 свідчить про те, що коефіцієнт абсолютно правильний
- D) Ніколи не слід повідомляти про значущі коефіцієнти.
Пояснення: статистична значущість стосується сили доказів того, що ефект відрізняється від нуля; Це не означає, що ефект є великим, важливим або причинним. ШІ часто подає слово «значний» як «значний/сильний вплив». Дослідник також повинен оцінити розмір ефекту, довірчий інтервал і контекст.
5. Що означає термін «p-hacking» і чому ШІ може зробити це легше?
- A) Пробування кількох аналізів, поки це не стане сенсом; ШІ робить це дуже швидко, збільшуючи ризик ✔
- B) Одноразовий аналіз даних за заздалегідь визначеним планом
- C) розширення вибірки для збільшення p-значення
- D) Подання лише описової статистики
Пояснення: p-hacking пробує різні змінні, підвибірки, перетворення або моделі, поки не з’явиться значущий результат; це призводить до помилкових висновків, заснованих на випадковості. Оскільки штучний інтелект може випробувати десятки варіантів моделей за секунди, він може пришвидшити p-hacking без чесного плану. захист; попередня реєстрація, фіксований план аналізу та корекція множинного порівняння.
6. Чому знаходження високої регресії R-квадрат між двома нестаціонарними (одиничний корінь) часовими рядами може ввести в оману?
- A) Фальшива регресія може виникнути через загальну тенденцію; ✔ Високий результат R-квадрат без реального співвідношення
- B) Високий R-квадрат завжди доводить сильний причинно-наслідковий зв’язок.
- В) Нестаціонарні ряди взагалі не можна вводити в регресію.
- D) R-квадрат неможливо розрахувати в часовому ряді
Пояснення: якщо між нестаціонарними рядами немає спільного зв’язку коінтеграції, помилкова регресія може створити високий R-квадрат і значущий коефіцієнт лише через загальну тенденцію; тоді як справжніх стосунків немає. Таким чином, спочатку слід виконати тести на стаціонарність і одиничний корінь, а за необхідності слід взяти відмінності або перевірити коінтеграцію.
7. Яке базове припущення ґрунтується на достовірності дизайну «Різниця в відмінностях»?
- A) Припущення про паралельні тенденції: групи слідували б в одному напрямку, якби не було втручання ✔
- B) Лікувальна та контрольна групи абсолютно однакові на початку
- В) Нормальний розподіл вибірки
- D) Змінні не містять відсутніх даних
Пояснення: DiD припускає, що за відсутності втручання змінна результату для групи лікування та контрольної групи відбувалася б паралельно з часом (припущення паралельних тенденцій). Якщо це припущення не виконується, оцінка є зміщеною. ШІ може створювати код DiD, але робота дослідника полягає в тому, щоб захистити та перевірити паралельні тенденції.
8. Що з наведеного нижче є обов’язковою практикою для відтворного аналізу?
- A) Виправлення вихідного коду у випадкових кроках, запис версій пакетів і коду ✔
- B) Вручну скопіюйте результати в електронну таблицю та видаліть код
- C) Це нормально бачити різні результати в кожному заході.
- D) Зберігання лише остаточної графіки, без спільного використання даних і коду
Опис: відтворюваність; Той самий результат можна отримати знову з тими ж даними та кодом. Наріжними каменями цього є виправлення вихідного коду випадковими кроками, збереження версій пакунків і виконання коду в документі (грамотне програмування). Копіювання результатів вручну або кроки на основі клацання без реєстрації погіршують відтворюваність.
9. Що гетероскедастичність спотворює лінійну регресію та яке її загальне рішення?
- A) спотворює стандартні помилки; рішенням є надійні стандартні помилки або відповідне перетворення ✔
- B) Це повністю скасовує оцінки коефіцієнтів і не має розв’язку
- C) Завжди зводить R-квадрат до нуля
- D) Трапляється, лише якщо вибірка дуже мала і її можна проігнорувати
Пояснення: гетероскедастичність залишає оцінки коефіцієнтів неупередженими, але неправильно обчислює стандартні помилки; Це робить p-значення та довірчі інтервали ненадійними. Загальним рішенням є використання стандартних помилок robust/HC або відповідного перетворення. Необхідно перевірити, чи рішення, запропоноване штучним інтелектом, справді вирішує проблему, а не приховує її.
10. Дослідник завантажує мікродані, що містять ідентифікаційну інформацію на рівні пацієнта та доходи, у загальнодоступний інструмент чату ШІ та каже «виконайте регресію». У чому головна проблема такої поведінки?
- A) Завантаження особистих/ліцензійних даних у зовнішній інструмент є порушенням конфіденційності та договору ✔
- B) Штучний інтелект взагалі не може здійснити регресію
- C) Мікродані взагалі не підходять для регресії
- D) AI завжди неправильно обчислює регресію
Пояснення: особисті/спеціальні дані, такі як особисті дані та дохід, захищені відповідно до KVKK/GDPR та більшості угод про використання даних; Завантаження їх на зовнішній пристрій, який може зберігати дані, є порушенням. Правильний шлях; Анонімізація даних, використання локальних/інституційних безпечних інструментів або просто запит коду від штучного інтелекту та запуск коду у власному середовищі.
11. Що спостерігається при високій мультиколінеарності?
- A) Коефіцієнти стають нестабільними, а стандартні помилки стають завищеними; Індивідуальні коефіцієнти можуть виявитися безглуздими ✔
- B) R-квадрат завжди зменшується до нуля
- C) Оцінки коефіцієнтів стають все точнішими
- D) Змінюється масштаб залежної змінної
Пояснення: при високій мультиколінеарності незалежні змінні сильно корелюють одна з одною; Оцінки коефіцієнтів стають нестабільними, стандартні помилки стають завищеними, і окремі коефіцієнти можуть виявитися незначними, тоді як загальна модель може бути значною. Його діагностують за такими критеріями, як VIF. Штучний інтелект може запропонувати виключити змінну, але дослідник вирішує, яка змінна залишиться теоретичною.
12. Що таке статистична потужність і який ризик дослідження з низькою потужністю?
- А) Можливість виявлення наявного ефекту; низька потужність пропускає справжні ефекти та робить висновки ненадійними ✔
- Б) ймовірність зниження р-значення; менша потужність завжди дає надійніші результати
- C) Постійне значення, яке не залежить від розміру вибірки
- D) Концепція, яка дійсна лише за умови використання штучного інтелекту
Пояснення: потужність — це ймовірність виявлення ефекту, який насправді існує (1 мінус помилка типу II). Малопотужні дослідження можуть пропустити справжні ефекти; Крім того, кілька значущих результатів можуть мати перебільшений розмір ефекту («прокляття переможця»), і частота помилкових позитивних результатів зростає. Тому розрахунок потужності/зразка є важливим перед аналізом.
13. Чому з етичної точки зору необхідно розкривати використання штучного інтелекту в статті?
- A) Для прозорості та підзвітності; ✔ читачі та рецензенти можуть оцінити процес, а відповідальність залишається за автором
- Б) Використання штучного інтелекту автоматично робить результати недійсними
- C) На запит журналів лише з рекламною метою
- Г) Передача авторських прав на пояснення штучному інтелекту
Розкриття інформації: прозорість необхідна для того, щоб читач і рецензенти могли оцінити, як були отримані результати; Зараз багато журналів та установ вимагають розкриття інформації про використання ШІ. Крім того, оскільки штучний інтелект може створювати помилки/галюцинації, чесно сказати, що відповідальність залишається за автором і які кроки були перевірені.
14. Що вимагає «обмеження виключення» в методі інструментальної змінної (IV)?
- A) Інструмент впливає на результат лише через внутрішню змінну, іншого прямого шляху немає ✔
- B) Інструмент не має зв’язку зі змінною результату.
- C) Інструмент не пов’язаний з ендогенною змінною.
- D) Середнє завжди є двійковою (0/1) змінною
Пояснення: обмеження виключення вимагає, щоб інструмент впливав на змінну результату лише через ендогенну пояснювальну змінну, а не через будь-які інші прямі засоби чи неспостережувані фактори. Це припущення неможливо повністю перевірити на основі даних; Він захищається на теоретичних та інституційних засадах. Штучний інтелект може написати код IV, але це робота дослідника, щоб захистити валідність інструменту.
15. Що означає проблема «Сад розгалужених доріжок» у гнучкому аналізі без попередньої реєстрації?
- A) Занадто багато розумних варіантів аналізу, зроблених на основі даних, збільшують рівень помилкових позитивних результатів, навіть ненавмисно ✔
- Б) Методи аналізу повинні бути єдиними і обов'язковими
- C) Проблема, яка виникає лише в разі навмисного обману.
- Г) Ситуація, яка спонтанно зникає в міру зростання вибірки
Пояснення: після перегляду даних дослідник може зробити багато розумних виборів щодо того, яку змінну, підгрупу, перетворення чи поріг використовувати. Навіть якщо немає єдиного «навмисного p-злому», ця гнучкість збільшує частоту хибнопозитивних результатів, оскільки значущий фактично вибирається з великої кількості аналізів. Попередня реєстрація та фіксований план аналізу обмежують цю гнучкість.