اپلیکیشن اندرویدی فلش‌کارت آموزشی DCEtool در R: راهنمای جامع طراحی و تحلیل آزمایش‌های انتخاب گسسته کارآمد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره DCEtool در R: راهنمای جامع طراحی و تحلیل آزمایش‌های انتخاب گسسته کارآمد

موضوع کلی: روش‌های پیشرفته تحلیل انتخاب و ترجیحات

موضوع میانی: طراحی آماری کارآمد در آزمایش‌های انتخاب گسسته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل ترجیحات و مدل‌سازی انتخاب
• 2. آزمایش انتخاب گسسته (DCE) چیست؟
• 3. کاربردهای DCE در بازاریابی، بهداشت، محیط زیست و سیاست‌گذاری
• 4. مبانی نظری: تئوری مطلوبیت (Utility Theory)
• 5. تئوری مطلوبیت تصادفی (Random Utility Theory - RUT)
• 6. ارتباط بین رفتار مصرف‌کننده و انتخاب‌های گسسته
• 7. آشنایی با محیط برنامه‌نویسی R و RStudio
• 8. نصب و راه‌اندازی R و RStudio
• 9. مبانی کار با R: متغیرها، دیتافریم‌ها و توابع
• 10. معرفی پکیج‌های ضروری در R برای تحلیل داده
• 11. معرفی پکیج DCEtool: تاریخچه، اهداف و قابلیت‌ها
• 12. نصب و بارگذاری پکیج DCEtool و پکیج‌های وابسته
• 13. گام‌های اصلی در یک پروژه DCE: از ایده تا گزارش نهایی
• 14. فاز اول: تعریف مسئله و شناسایی صفات و سطوح
• 15. اهمیت انتخاب صحیح صفات (Attributes)
• 16. روش‌های شناسایی صفات: مرور ادبیات و مصاحبه‌های کیفی
• 17. تعریف و انتخاب سطوح (Levels) برای هر صفت
• 18. انواع صفات: کمی، کیفی و طبقه‌بندی شده
• 19. کدگذاری سطوح: کدگذاری ساختگی (Dummy Coding)
• 20. کدگذاری سطوح: کدگذاری اثری (Effects Coding)
• 21. تفاوت و کاربرد انواع روش‌های کدگذاری
• 22. فاز دوم: مبانی طراحی آماری آزمایش‌ها
• 23. مفهوم طرح عاملی کامل (Full Factorial Design)
• 24. چالش‌های طرح عاملی کامل: نفرین ابعاد
• 25. آشنایی با طرح‌های عاملی کسری (Fractional Factorial Designs)
• 26. مفهوم تعامد (Orthogonality) و اهمیت آن در DCE
• 27. مفهوم توازن (Balance) و نقش آن در طراحی
• 28. مقدمه‌ای بر معیارهای کارایی آماری
• 29. معیار کارایی-D (D-efficiency): حداقل کردن واریانس پارامترها
• 30. معیار کارایی-A (A-efficiency): حداقل کردن میانگین واریانس پارامترها
• 31. معیار کارایی-S (S-efficiency): پیش‌بینی دقیق‌تر سهم انتخاب
• 32. تأثیر پارامترهای پیشین (Priors) بر کارایی طرح
• 33. چگونه پارامترهای پیشین را تخمین بزنیم؟
• 34. طراحی با پارامترهای پیشین صفر (Zero Priors)
• 35. طراحی با پارامترهای پیشین غیرصفر (Non-zero Priors)
• 36. مفهوم طراحی بیزی (Bayesian Design) در DCE
• 37. مقایسه الگوریتم‌های بهینه‌سازی در طراحی
• 38. فاز سوم: تولید طرح با پکیج DCEtool
• 39. ساختار داده ورودی برای تولید طرح در DCEtool
• 40. ایجاد اولین طرح متعامد (Orthogonal) با تابع `oa.design`
• 41. بررسی خصوصیات تعامد و توازن طرح تولید شده
• 42. مقدمه‌ای بر تولید طرح‌های کارا-D (D-efficient)
• 43. تولید طرح کارا-D با استفاده از الگوریتم چرخشی (Rotation Algorithm)
• 44. تولید طرح کارا-D با استفاده از الگوریتم تبادل مختصات (Coordinate Exchange)
• 45. مقایسه عملکرد الگوریتم‌های مختلف در DCEtool
• 46. محاسبه و ارزیابی خطای D (D-error) طرح
• 47. مفهوم مجموعه‌های انتخاب (Choice Sets) و وظایف انتخاب (Choice Tasks)
• 48. تعیین تعداد مجموعه‌های انتخاب و تعداد گزینه‌ها در هر مجموعه
• 49. بلوک‌بندی (Blocking) طرح برای کاهش بار شناختی پاسخ‌دهندگان
• 50. پیاده‌سازی بلوک‌بندی در پکیج DCEtool
• 51. طراحی برای مدل‌های با اثرات متقابل (Interaction Effects)
• 52. لحاظ کردن محدودیت‌ها (Constraints) در طراحی
• 53. طراحی برای صفات با سطوح غیرخطی
• 54. طراحی آزمایش‌های بدون برچسب (Unlabeled/Generic)
• 55. طراحی آزمایش‌های با برچسب (Labeled/Alternative-specific)
• 56. گزینه انصراف یا عدم انتخاب (Opt-out/No-choice Option) و نحوه طراحی آن
• 57. ارزیابی و مقایسه طرح‌های مختلف تولید شده
• 58. ذخیره‌سازی و خروجی گرفتن از طرح نهایی
• 59. فاز چهارم: آماده‌سازی پرسشنامه و جمع‌آوری داده
• 60. تبدیل طرح آماری به پرسشنامه قابل فهم برای پاسخ‌دهنده
• 61. بهترین شیوه‌ها در طراحی بصری مجموعه‌های انتخاب
• 62. انجام آزمون پایلوت (Pilot Test) برای پرسشنامه
• 63. روش‌های جمع‌آوری داده: آنلاین، حضوری و ترکیبی
• 64. کنترل کیفیت داده‌های جمع‌آوری شده
• 65. ساختاردهی داده‌های DCE برای تحلیل در R
• 66. وارد کردن داده‌های جمع‌آوری شده به محیط R
• 67. تبدیل داده از فرمت عریض (Wide) به فرمت طویل (Long)
• 68. فاز پنجم: تحلیل داده‌ها و مدل‌سازی انتخاب
• 69. مرور مدل‌های انتخاب گسسته
• 70. مدل لاجیت چندجمله‌ای (Multinomial Logit - MNL)
• 71. مفروضات مدل MNL و فرض استقلال از گزینه‌های نامرتبط (IIA)
• 72. تخمین مدل MNL در R با استفاده از پکیج `mlogit`
• 73. تفسیر ضرایب مدل: پارامترهای مطلوبیت (Utility Parameters)
• 74. آزمون معناداری ضرایب و نیکویی برازش مدل (Goodness of Fit)
• 75. آزمون فرض IIA: آزمون هاسمن-مک‌فادن
• 76. غلبه بر محدودیت‌های MNL: مدل‌های پیشرفته
• 77. ناهمگونی در ترجیحات و لزوم مدل‌سازی آن
• 78. مدل لاجیت ترکیبی یا پارامترهای تصادفی (Mixed Logit - MXL/RPL)
• 79. تئوری پشت مدل لاجیت ترکیبی
• 80. تخمین مدل لاجیت ترکیبی در R
• 81. تفسیر پارامترهای میانگین و انحراف معیار در مدل MXL
• 82. مدل کلاس پنهان (Latent Class Model) برای شناسایی سگمنت‌های بازار
• 83. تخمین و تفسیر مدل کلاس پنهان در R
• 84. انتخاب تعداد بهینه کلاس‌ها
• 85. مقایسه مدل‌های MNL، MXL و Latent Class
• 86. فاز ششم: تفسیر نتایج و کاربردهای مدیریتی
• 87. محاسبه اهمیت نسبی صفات (Relative Importance)
• 88. محاسبه تمایل به پرداخت (Willingness-to-Pay - WTP)
• 89. محاسبه بازه‌های اطمینان برای WTP با روش دلتا و شبیه‌سازی
• 90. تفسیر مقادیر WTP و کاربردهای آن
• 91. شبیه‌سازی بازار (Market Simulation) و پیش‌بینی سهم انتخاب
• 92. شبیه‌سازی سناریوهای "چه می‌شود اگر" (What-if Analysis)
• 93. ایجاد ابزارهای شبیه‌ساز تعاملی با R Shiny
• 94. تجسم‌سازی نتایج: نمودارهای مطلوبیت و WTP
• 95. گزارش‌نویسی و ارائه نتایج یک پروژه DCE
• 96. مطالعه موردی جامع: طراحی، اجرا و تحلیل یک DCE از ابتدا تا انتها
• 97. موضوعات پیشرفته و نتیجه‌گیری
• 98. طراحی آزمایش‌های انتخاب بهترین-بدترین (Best-Worst Scaling)
• 99. مقایسه DCE و Best-Worst Scaling
• 100. روندهای آینده در طراحی و تحلیل آزمایش‌های انتخاب