اپلیکیشن اندرویدی فلش‌کارت آموزشی غلبه بر ابهام: تخمین اثرات علّی با متغیرهای مداخله‌گر پیوسته و تحلیل حساسیت در حضور مخدوشگرهای پنهان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره غلبه بر ابهام: تخمین اثرات علّی با متغیرهای مداخله‌گر پیوسته و تحلیل حساسیت در حضور مخدوشگرهای پنهان

موضوع کلی: استنباط علّی و تحلیل حساسیت

موضوع میانی: شناسایی جزئی اثرات علّی برای متغیرهای مداخله‌گر پیوسته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنباط علّی
• 2. مبانی استنباط علّی: مفاهیم کلیدی
• 3. تعریف اثرات علّی: شرطی و میانگین
• 4. جهت‌گیری علّی و گراف‌های جهت‌دار غیرمدور (DAGs)
• 5. مخدوشگرها (Confounders) و انواع آن‌ها
• 6. مخدوشگرهای قابل مشاهده و قابل اندازه‌گیری
• 7. مخدوشگرهای پنهان (Unmeasured Confounders)
• 8. مشکل مخدوشگرهای پنهان در استنباط علّی
• 9. مفاهیم کلیدی در مقاله "Partial Identification of Causal Effects for Endogenous Continuous Treatments"
• 10. متغیرهای مداخله‌گر (Treatments) و انواع آن‌ها
• 11. متغیرهای مداخله‌گر گسسته در مقابل پیوسته
• 12. متغیرهای مداخله‌گر پیوسته: چالش‌ها
• 13. همگنی (Endogeneity) در متغیرهای مداخله‌گر پیوسته
• 14. شناسایی (Identification) در استنباط علّی
• 15. شناسایی کامل (Full Identification) اثرات علّی
• 16. شناسایی جزئی (Partial Identification) اثرات علّی
• 17. مفهوم شناسایی جزئی
• 18. چرا شناسایی جزئی ضروری است؟
• 19. مواردی که شناسایی کامل امکان‌پذیر نیست
• 20. کاربرد شناسایی جزئی برای متغیرهای مداخله‌گر پیوسته
• 21. مبانی مدل‌سازی علّی برای متغیرهای پیوسته
• 22. مدل‌های رگرسیون خطی و غیرخطی
• 23. فرضیات مدل‌سازی علّی
• 24. روش‌های تخمین اثرات علّی با متغیرهای پیوسته
• 25. روش‌های تطبیق (Matching) و وزن‌دهی (Weighting)
• 26. روش‌های مبتنی بر جعبه سیاه (Black-box methods)
• 27. مقدمه‌ای بر متغیرهای ابزاری (Instrumental Variables - IV)
• 28. مفروضات متغیرهای ابزاری
• 29. کاربرد IV برای متغیرهای مداخله‌گر پیوسته
• 30. محدودیت‌های متغیرهای ابزاری
• 31. مفهوم متغیرهای ابزاری ضعیف (Weak Instruments)
• 32. مفهوم پایان‌نامه‌های مدفون (Buried Assumptions)
• 33. پایان‌نامه‌ها و محدودیت‌های شناسایی
• 34. روش‌های شناسایی جزئی با متغیرهای مداخله‌گر پیوسته
• 35. تحلیل معادلات ساختاری (Structural Equation Modeling - SEM)
• 36. کاربرد SEM در استنباط علّی
• 37. مفهوم معادلات ساختاری برای متغیرهای پیوسته
• 38. مفهوم شناسایی جزئی در چارچوب SEM
• 39. محدوده (Set of Plausible Values) مقادیر اثر علّی
• 40. تحلیل حساسیت (Sensitivity Analysis)
• 41. چرا تحلیل حساسیت انجام می‌دهیم؟
• 42. مفهوم تحلیل حساسیت در حضور مخدوشگرهای پنهان
• 43. انواع مخدوشگرهای پنهان و تأثیر آن‌ها
• 44. مبادله‌گری (Exchangeability) و مفروضات مربوط به آن
• 45. مبادله‌گری شرطی (Conditional Exchangeability)
• 46. مبادله‌گری شرطی برای متغیرهای پیوسته
• 47. مفهوم عدم مبادله‌گری (Non-exchangeability)
• 48. چگونه عدم مبادله‌گری را مدل‌سازی کنیم؟
• 49. سناریوهای عدم مبادله‌گری
• 50. تحلیل حساسیت مبتنی بر قدرت مخدوشگر پنهان
• 51. تحلیل حساسیت مبتنی بر همبستگی با مخدوشگر پنهان
• 52. روش‌های تحلیل حساسیت برای شناسایی جزئی
• 53. روش‌های مبتنی بر گستره (Range-based methods)
• 54. روش‌های مبتنی بر مدل (Model-based methods)
• 55. مقایسه روش‌های مختلف تحلیل حساسیت
• 56. مفهوم نتیجه‌گیری قوی (Robust Conclusion)
• 57. تعریف و محاسبه حدود شناسایی جزئی
• 58. استفاده از محدودیت‌های مشاهده‌پذیر برای محدود کردن حدود
• 59. بازه شناسایی (Identification Interval)
• 60. تفسیر بازه شناسایی
• 61. مثال‌های کاربردی از شناسایی جزئی
• 62. مطالعات موردی از مقالات علمی
• 63. کاربرد در علوم اجتماعی، اقتصاد، بهداشت و درمان
• 64. نمونه‌سازی (Simulation) برای ارزیابی روش‌ها
• 65. طراحی آزمایش‌های شبیه‌سازی شده
• 66. تولید داده‌های مصنوعی با ویژگی‌های خاص
• 67. ارزیابی عملکرد روش‌های شناسایی جزئی در شبیه‌سازی
• 68. ارزیابی عملکرد تحلیل حساسیت در شبیه‌سازی
• 69. مباحث پیشرفته در شناسایی جزئی
• 70. متغیرهای مداخله‌گر پیوسته چندگانه
• 71. اثرات غیرخطی و تعاملی
• 72. اثرات ناهمگن (Heterogeneous Effects)
• 73. مفهوم اثرات ناهمگن و شناسایی جزئی
• 74. روش‌های شناسایی جزئی برای اثرات ناهمگن
• 75. تحلیل حساسیت برای اثرات ناهمگن
• 76. ارتباط شناسایی جزئی با متغیرهای ابزاری
• 77. محدودیت‌های شناسایی جزئی
• 78. محدودیت‌های داده‌ای و مشاهده‌پذیری
• 79. محدودیت‌های مدل‌سازی
• 80. محدودیت‌های محاسباتی
• 81. کاربرد نرم‌افزارها در شناسایی جزئی و تحلیل حساسیت
• 82. نرم‌افزارهای آماری رایج (R, Stata, Python)
• 83. بسته‌های مرتبط با شناسایی جزئی
• 84. بسته‌های مرتبط با تحلیل حساسیت
• 85. راهنمایی عملی برای پیاده‌سازی روش‌ها
• 86. انتخاب مدل مناسب
• 87. انتخاب سناریوهای تحلیل حساسیت
• 88. تفسیر نتایج در دنیای واقعی
• 89. نکات کلیدی در گزارش‌دهی نتایج
• 90. چالش‌های موجود و تحقیقات آینده
• 91. جهت‌گیری‌های پژوهشی آینده در این حوزه
• 92. نقش هوش مصنوعی در شناسایی جزئی و تحلیل حساسیت
• 93. دسترسی به داده‌ها و ملاحظات اخلاقی
• 94. نقد روش‌های موجود
• 95. جمع‌بندی و نتیجه‌گیری
• 96. مروری بر مفاهیم اصلی دوره
• 97. تمرین‌ها و پروژه‌های عملی
• 98. آزمون نهایی
• 99. پیوست: فرمولاسیون ریاضی پیشرفته
• 100. پیوست: مثال‌های کدنویسی