收益：
- 在人工智能的支持下，理解相关性和因果性之间的区别以及双重差分（DiD）、工具变量（IV）、断点回归（RDD）等设计逻辑
- 能够看到每个设计所基于的定义假设（并行趋势、排除约束、不连续性中的连续性）以及人工智能在生成测试/防御代码中的作用
- 能够批判性地评估识别和识别人工智能解释的策略，这些解释会从观察数据中产生过多的因果关系。
单位
1. 计量经济学和统计学中的人工智能：角色、边界、身份验证和隐私
2. 数据清理和准备：缺失数据、异常值和编码
3. 探索性数据分析和可视化：利用人工智能进行绘图和解释
4. 线性回归：模型构建、系数解释和假设
5. 回归诊断和违规：共线性、异方差、自相关
6. 假设检验和 p 值：显着性、功效和多重比较
7. p-hacking、HARKing 和统计完整性：人工智能时代的陷阱
8. 时间序列分析：平稳性、ARIMA 和预测
9. 因果关系和政策分析：DiD、IV、RDD 和人工智能
10. 代码生成和再现性：R/Python、版本控制和再现性
11. 报告写作、沟通和道德：呈现结果和沟通界限