اپلیکیشن اندرویدی فلش‌کارت آموزشی استنباط قابل اعتماد برای سنجش نابرابری: رویکرد نوین گشتاور ناقص نرمال‌شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنباط قابل اعتماد برای سنجش نابرابری: رویکرد نوین گشتاور ناقص نرمال‌شده

موضوع کلی: روش‌های پیشرفته استنباط آماری

موضوع میانی: تحلیل نابرابری و استنباط آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سنجش نابرابری اقتصادی و اجتماعی
• 2. چرا استنباط آماری در تحلیل نابرابری حیاتی است؟
• 3. مروری بر مفاهیم پایه آمار: توزیع، گشتاور و چندک‌ها
• 4. قانون اعداد بزرگ و قضیه حد مرکزی: سنگ بنای استنباط
• 5. تابع توزیع تجمعی (CDF) و تابع چگالی احتمال (PDF) در مدل‌سازی درآمد
• 6. تابع چندک و کاربرد آن در تعریف گروه‌های درآمدی
• 7. گشتاورهای یک توزیع: میانگین، واریانس، چولگی و کشیدگی
• 8. مفهوم گشتاور ناقص (Incomplete Moment)
• 9. معرفی مقاله الهام‌بخش: Alternative statistical inference for the first normalized incomplete moment
• 10. اهداف و ساختار کلی دوره آموزشی
• 11. مبانی سنجش نابرابری: رویکردهای کلاسیک
• 12. منحنی لورنز: تعریف، ساختار و تفسیر گرافیکی
• 13. خواص ریاضی منحنی لورنز
• 14. ضریب جینی: تعریف مبتنی بر منحنی لورنز و فرمول محاسباتی
• 15. تفسیرهای مختلف ضریب جینی
• 16. برآورد ضریب جینی از داده‌های نمونه‌ای
• 17. محدودیت‌های ضریب جینی و نیاز به معیارهای جایگزین
• 18. شاخص‌های دیگر نابرابری: شاخص تایل، شاخص اتکینسون و نسبت‌های چندکی
• 19. فقر و نابرابری: مروری بر خط فقر و شاخص‌های فقر
• 20. ارتباط بین منحنی لورنز و معیارهای رفاه اجتماعی
• 21. معرفی گشتاور ناقص نرمال‌شده اول (FNIM)
• 22. تعریف ریاضی گشتاور ناقص اول
• 23. نقش نرمال‌سازی: استقلال از مقیاس و واحد پول
• 24. گشتاور ناقص نرمال‌شده اول (FNIM): تعریف رسمی
• 25. تفسیر اقتصادی FNIM: سهم درآمدی p درصد پایین جامعه
• 26. رابطه تحلیلی بین منحنی لورنز و FNIM
• 27. FNIM به عنوان یک تابع (Curve): L(p)
• 28. برآوردگر تجربی FNIM از داده‌های نمونه
• 29. خواص آماری برآوردگر تجربی FNIM
• 30. مزایای استفاده از FNIM در مقایسه با ضریب جینی
• 31. استنباط آماری کلاسیک برای FNIM
• 32. مفهوم تابع تأثیر (Influence Function) در آمار مقاوم
• 33. محاسبه تابع تأثیر برای FNIM
• 34. نظریه مجانبی و نرمال بودن مجانبی برآوردگر FNIM
• 35. استفاده از روش دلتا برای استنباط روی توابع FNIM
• 36. محاسبه واریانس مجانبی برآوردگر FNIM
• 37. ساخت فاصله‌های اطمینان مجانبی برای یک نقطه از منحنی FNIM
• 38. آزمون فرض آماری برای مقدار FNIM در یک چندک خاص
• 39. مفهوم فرآیند تجربی و همگرایی ضعیف
• 40. منحنی FNIM به عنوان یک فرآیند تصادفی: همگرایی به یک فرآیند گاوسی
• 41. محدودیت‌های رویکرد مجانبی و نیاز به روش‌های جایگزین
• 42. عملکرد روش‌های مجانبی در نمونه‌های کوچک
• 43. تأثیر توزیع‌های با دنباله سنگین بر استنباط کلاسیک
• 44. چرا به "استنباط جایگزین" (Alternative Inference) نیاز داریم؟
• 45. معرفی روش‌های بازنمونه‌گیری (Resampling)
• 46. اصول و فلسفه روش بوت‌استرپ (Bootstrap)
• 47. بوت‌استرپ غیرپارامتریک: الگوریتم و پیاده‌سازی
• 48. کاربرد بوت‌استرپ برای برآورد واریانس FNIM
• 49. ساخت فاصله‌های اطمینان بوت‌استرپ: روش درصدی (Percentile)
• 50. فاصله‌ اطمینان بوت‌استرپ: روش پایه (Basic)
• 51. فاصله‌ اطمینان بوت‌استرپ: روش تصحیح‌شده بایاس و شتاب (BCa)
• 52. مقایسه عملکرد فاصله‌های اطمینان مختلف بوت‌استرپ
• 53. روش‌های پیشرفته استنباط جایگزین
• 54. روش جک‌نایف (Jackknife) برای تخمین بایاس و واریانس
• 55. کاربرد جک‌نایف برای استنباط روی FNIM
• 56. مقدمه‌ای بر روش درستنمایی تجربی (Empirical Likelihood)
• 57. قضیه ویلکس برای درستنمایی تجربی
• 58. ساخت فاصله‌های اطمینان مبتنی بر درستنمایی تجربی برای FNIM
• 59. مزایای روش درستنمایی تجربی: عدم نیاز به تخمین واریانس و شکل بهینه
• 60. روش زیرنمونه‌گیری (Subsampling) و کاربرد آن
• 61. مقایسه نظری و عملی بوت‌استرپ، جک‌نایف و درستنمایی تجربی
• 62. شبیه‌سازی مونت‌کارلو برای ارزیابی عملکرد روش‌های استنباطی
• 63. کاربردهای عملی و تحلیل‌های پیشرفته
• 64. ساخت باندهای اطمینان همزمان (Simultaneous Confidence Bands) برای کل منحنی FNIM
• 65. آزمون فرض برای برتری توزیعی (Stochastic Dominance) با استفاده از منحنی‌های FNIM
• 66. مقایسه نابرابری بین دو یا چند جامعه
• 67. آزمون آماری برای تفاوت FNIM بین دو گروه
• 68. تحلیل حساسیت نتایج به داده‌های پرت و مقادیر حدی
• 69. پیاده‌سازی محاسبات FNIM و استنباط آن در نرم‌افزارهای آماری (R/Python)
• 70. مثال کاربردی: تحلیل نابرابری درآمد در یک کشور با داده‌های واقعی
• 71. تجسم‌سازی نتایج: رسم منحنی FNIM به همراه باندهای اطمینان
• 72. تحلیل نابرابری در طول زمان: بررسی روند تغییرات منحنی FNIM
• 73. موضوعات تکمیلی و جهت‌گیری‌های آینده
• 74. ارتباط FNIM با معیارهای ریسک مالی مانند ارزش در معرض خطر (VaR)
• 75. تعمیم به گشتاورهای ناقص نرمال‌شده مراتب بالاتر
• 76. استفاده از FNIM در تحلیل تمرکز ثروت
• 77. تجزیه نابرابری کل بر اساس زیرگروه‌ها با استفاده از FNIM
• 78. تطبیق روش‌های استنباطی برای داده‌های پیمایشی پیچیده (Complex Survey Data)
• 79. اثر وزن‌دهی نمونه بر برآورد و استنباط FNIM
• 80. رویکردهای بیزی برای استنباط روی منحنی FNIM
• 81. مدل‌سازی پارامتریک منحنی لورنز و FNIM
• 82. استنباط مقاوم (Robust Inference) برای FNIM
• 83. بررسی کاربرد FNIM در سایر علوم: سلامت، آموزش و محیط زیست
• 84. جمع‌بندی و نتیجه‌گیری
• 85. خلاصه جامعی از روش‌های استنباطی برای سنجش نابرابری
• 86. مقایسه نهایی FNIM با ضریب جینی و سایر شاخص‌ها
• 87. انتخاب روش استنباطی مناسب بر اساس شرایط مسئله
• 88. چالش‌های باز در زمینه استنباط برای معیارهای نابرابری
• 89. اخلاق در تحلیل داده‌های نابرابری
• 90. اهمیت ارائه نتایج به همراه معیارهای عدم قطعیت (مانند فاصله اطمینان)
• 91. راهنمای ارائه پروژه نهایی دوره
• 92. مسیرهای پژوهشی آینده در حوزه استنباط نابرابری
• 93. بازبینی و مرور کلی مفاهیم کلیدی دوره
• 94. جلسه پرسش و پاسخ نهایی و اختتامیه دوره