اپلیکیشن اندرویدی فلش‌کارت آموزشی غلبه بر خطاهای داده: تخمین اثرات همتایان با داده‌های شبکه‌ی محدود و ناقص

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره غلبه بر خطاهای داده: تخمین اثرات همتایان با داده‌های شبکه‌ی محدود و ناقص

موضوع کلی: اقتصادسنجی شبکه های اجتماعی

موضوع میانی: تخمین اثرات همتایان در داده‌های شبکه ناقص

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 2. اهمیت شبکه‌ها در علوم اجتماعی و اقتصادی
• 3. تعاریف بنیادی در نظریه گراف: گره، یال، درجه
• 4. انواع شبکه‌ها: دوجهته، یک‌جهته، وزن‌دار
• 5. معیارهای مرکزیت در شبکه: درجه، بینابینی، نزدیکی
• 6. خوشه‌بندی و چگالی در شبکه‌ها
• 7. شبکه‌های تصادفی و مدل اردوش-رنی
• 8. شبکه‌های دنیای کوچک و بدون مقیاس
• 9. مقدمه‌ای بر اثرات همتایان (Peer Effects)
• 10. مدل‌های علّی در شبکه‌ها: چالش‌ها و فرصت‌ها
• 11. مسئله بازتاب (Reflection Problem) هانسون
• 12. تمایز بین اثرات درون‌گروهی، برون‌گروهی و هم‌بستگی
• 13. فرمول‌بندی مدل‌های اقتصادسنجی اثرات همتایان
• 14. مدل خطی-در-میانگین (Linear-in-Means Model)
• 15. اندوژنیتی در تخمین اثرات همتایان: مروری جامع
• 16. متغیرهای ابزاری برای شناسایی اثرات همتایان
• 17. استفاده از ساختار شبکه به عنوان ابزار
• 18. مدل‌های اثرات ثابت برای گروه‌ها و فرد
• 19. اثرات مشاهده نشده (Unobserved Heterogeneity)
• 20. تخمین اثرات همتایان با روش حداقل مربعات دو مرحله‌ای (2SLS)
• 21. تخمین اثرات همتایان با مدل‌های فضایی (Spatial Econometrics)
• 22. ماتریس وزن‌دهی فضایی و نقش آن در شبکه‌ها
• 23. مدل‌های رگرسیون فضایی (SAR, SEM) در زمینه شبکه‌ها
• 24. کاربرد مدل‌های حداکثر درستنمایی برای شبکه‌های کامل
• 25. بررسی روایی (Validity) و قدرت (Power) ابزارها
• 26. خطاهای استاندارد خوشه‌بندی شده در شبکه‌ها
• 27. مسائل مربوط به مقیاس در تعریف گروه‌های همتا
• 28. مرور مطالعات کلاسیک در تخمین اثرات همتایان (با داده کامل)
• 29. مدل‌های انتخاب همتا (Peer Selection)
• 30. جدایی‌ناپذیری (Non-separability) در مدل‌های شبکه
• 31. مفهوم داده‌های شبکه ناقص و محدود
• 32. دلایل شیوع داده‌های ناقص در شبکه‌ها
• 33. انواع نقص در داده‌های شبکه: گره‌های گم‌شده، یال‌های گم‌شده
• 34. نمونه‌گیری در شبکه‌ها: چالش‌ها و روش‌ها
• 35. نمونه‌گیری تصادفی گره (Random Node Sampling)
• 36. نمونه‌گیری تصادفی یال (Random Link Sampling)
• 37. نمونه‌گیری گلوله‌برفی (Snowball Sampling)
• 38. نمونه‌گیری بر اساس مسیر (Walk-based Sampling)
• 39. تاثیر نمونه‌گیری بر ویژگی‌های مشاهده شده شبکه
• 40. تورش‌های ناشی از نمونه‌گیری غیرتصادفی
• 41. عدم مشاهده برخی ارتباطات (Missing Links)
• 42. عدم مشاهده برخی افراد (Missing Nodes)
• 43. داده‌های خودگزارشی و خطاهای آن
• 44. داده‌های تجربی و ثبت‌شده: مزایا و محدودیت‌ها
• 45. ارزیابی کیفیت داده‌های شبکه ناقص
• 46. ابزارهای نرم‌افزاری برای تحلیل داده‌های ناقص
• 47. مدل‌سازی فرآیند تولید داده‌های ناقص
• 48. تاثیر ناقص بودن داده بر معیارهای مرکزی و خوشه‌بندی
• 49. نقش اندازه نمونه در اعتبار تخمین‌ها
• 50. تفاوت‌های کلیدی بین داده کامل و ناقص شبکه
• 51. تشدید مسئله بازتاب در داده‌های ناقص
• 52. منابع جدید تورش در اثرات همتایان با داده ناقص
• 53. تورش ناشی از همسایگان مشاهده نشده
• 54. تورش انتخاب نمونه در حضور داده ناقص
• 55. تاثیر نادرست بودن ماتریس مجاورت بر تخمین‌ها
• 56. خطاهای اندازه‌گیری در متغیرهای شبکه و پیامدهای آن
• 57. پیامدهای عدم مشاهده کل شبکه همتا
• 58. عدم امکان استفاده از ابزارهای شبکه‌ای کلاسیک
• 59. شناسایی با داده‌های محدود همسایگی
• 60. مسئله "همسایه از دست رفته" (Missing Neighbor Problem)
• 61. کاهش قدرت آماری در داده‌های ناقص
• 62. تشخیص انواع نقص در داده و تاثیر آن بر استراتژی‌ها
• 63. نیاز به فرضیات قوی‌تر برای شناسایی علّی
• 64. مقایسه تورش‌های مدل‌های مختلف تحت ناقص بودن داده
• 65. محدودیت‌های مدل‌سازی پیچیده با داده ناقص
• 66. رویکردهای کلی برای تخمین با داده‌های شبکه ناقص
• 67. استراتژی‌های شناسایی در حضور گره‌ها یا یال‌های گم‌شده
• 68. مدل‌سازی صریح فرآیند تولید ناقص بودن داده
• 69. روش‌های حداکثر درستنمایی (Maximum Likelihood) برای داده ناقص
• 70. روش‌های گشتاورها (Method of Moments) در داده ناقص
• 71. تصحیح برای تورش انتخاب نمونه در داده‌های شبکه
• 72. استفاده از اطلاعات جانبی (Auxiliary Information)
• 73. ساختار دو مرحله‌ای برای تخمین: اول شبکه، بعد اثرات همتایان
• 74. تخمین پارامترهای مدل شبکه‌ای در حضور نقص
• 75. استنتاج آماری با ماتریس مجاورت مشاهده‌شده ناقص
• 76. روش‌های شبیه‌سازی برای ارزیابی عملکرد تخمین‌گرها
• 77. ارزیابی حساسیت به فرضیات مربوط به مکانیسم نقص
• 78. بازسازی شبکه (Network Reconstruction) با داده‌های ناقص
• 79. مدل‌های رگرسیون با متغیرهای مستقل مشاهده نشده
• 80. رویکرد مدل‌سازی مبتنی بر پتانسیل (Potential Outcome Framework) با داده ناقص
• 81. استفاده از ویژگی‌های همسایگان مشاهده‌شده برای پیش‌بینی ناپدیدها
• 82. تکنیک‌های ناپارامتری و نیمه‌پارامتری برای داده ناقص
• 83. نقش فروض تصادفی بودن یا غیرتصادفی بودن نقص
• 84. کاربرد متغیرهای ابزاری "غریب" (Exogenous Instruments) با داده ناقص
• 85. تحلیل حساسیت به تعریف همسایگی در داده‌های محدود
• 86. تخمین اثرات همتایان با استفاده از معیارهای تقریبی شبکه
• 87. مدل‌سازی اثرات همتایان با داده‌های پرسشنامه محدود
• 88. بررسی قوام (Consistency) و کارایی (Efficiency) تخمین‌گرها
• 89. محاسبات و الگوریتم‌های بهینه‌سازی برای داده‌های بزرگ و ناقص
• 90. توسعه مدل‌های مشخص شده در مقاله اصلی
• 91. تخمین اثرات همتایان پویا (Dynamic Peer Effects) در شبکه‌های ناقص
• 92. مدل‌های انتقال (Diffusion Models) در شبکه‌های ناقص
• 93. اثرات همتایان هتروژن (Heterogeneous Peer Effects) با داده ناقص
• 94. اثرات همتایان غیرخطی (Non-linear Peer Effects) با داده ناقص
• 95. کاربردهای عملی: سیاست‌گذاری عمومی با داده‌های شبکه ناقص
• 96. مطالعات موردی: آموزش، بهداشت، مالی
• 97. محدودیت‌های عملی و ملاحظات اخلاقی در جمع‌آوری داده شبکه
• 98. استفاده از یادگیری ماشین برای پیش‌بینی ارتباطات گم‌شده
• 99. مروری بر نرم‌افزارهای تخصصی و بسته‌های آماری
• 100. مسیرهای تحقیقاتی آینده در تخمین اثرات همتایان با داده‌های ناقص