اپلیکیشن اندرویدی فلش‌کارت آموزشی قدرت شناسایی اثرات درمان توزیعی: ترکیب داده‌های آزمایشی و مشاهده‌ای برای تخمین‌های دقیق‌تر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره قدرت شناسایی اثرات درمان توزیعی: ترکیب داده‌های آزمایشی و مشاهده‌ای برای تخمین‌های دقیق‌تر

موضوع کلی: اقتصادسنجی و روش‌های تخمین علّی

موضوع میانی: تخمین اثرات درمان با استفاده از داده‌های ترکیبی

📋 سرفصل‌های دوره

• 1. مقدمه: چرا تخمین علّی اهمیت دارد؟
• 2. مفهوم علّیت و مدل‌های علّی
• 3. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
• 4. تعریف اثر درمان فردی (Individual Treatment Effect)
• 5. اثر درمان میانگین (Average Treatment Effect - ATE)
• 6. اثر درمان بر روی گروه درمان‌شده (Average Treatment Effect on the Treated - ATT)
• 7. مقدمه‌ای بر اثرات درمان توزیعی (Distributional Treatment Effects - DTEs)
• 8. اثرات درمان کوانتایل (Quantile Treatment Effects - QTEs)
• 9. مزایای بررسی اثرات توزیعی در مقابل میانگین
• 10. کارآزمایی‌های کنترل‌شده تصادفی (RCTs): اصول و طراحی
• 11. قدرت و محدودیت‌های RCTs: اعتبار داخلی
• 12. محدودیت‌های RCTs: اعتبار بیرونی و قابلیت تعمیم
• 13. داده‌های مشاهده‌ای: ویژگی‌ها و اهمیت
• 14. چالش‌های داده‌های مشاهده‌ای در تخمین علّی
• 15. مفهوم شناسایی (Identification) در اقتصادسنجی علّی
• 16. سوگیری متغیرهای مخدوش‌کننده (Confounding Bias)
• 17. سوگیری انتخاب (Selection Bias) و پیامدهای آن
• 18. فرض استقلال شرطی (Conditional Independence Assumption - CIA)
• 19. اهمیت متغیرهای کنترل و کوواریت‌ها
• 20. رگرسیون برای تخمین اثرات درمان: تنظیم برای کوواریت‌ها
• 21. فرض ناحیه مشترک پشتیبانی (Common Support/Overlap Assumption)
• 22. امتیاز تمایل (Propensity Score) و تعریف آن
• 23. تخمین امتیاز تمایل: مدل‌های لاجیت و پروبیت
• 24. تطبیق بر اساس امتیاز تمایل (Propensity Score Matching - PSM)
• 25. متعادل‌سازی کوواریت‌ها پس از تطبیق
• 26. روش‌های وارون احتمال وزن‌دهی درمان (IPW - Inverse Probability Weighting)
• 27. تخمین‌گرهای دوگانه مقاوم (Doubly Robust Estimators)
• 28. رگرسیون با ماتریس تطبیق
• 29. تحلیل حساسیت در داده‌های مشاهده‌ای
• 30. معرفی روش‌های ناپارامتریک در اقتصادسنجی علّی
• 31. چرا از میانگین فراتر برویم؟ مثال‌های کاربردی DTE
• 32. تعریف رسمی تابع اثر درمان توزیعی
• 33. تعریف رسمی تابع اثر درمان کوانتایل (QTE)
• 34. تابع توزیع تجربی (Empirical Distribution Function)
• 35. تخمین‌های ناپارامتریک توابع توزیع
• 36. شناسایی DTEs و QTEs: چالش‌های اولیه
• 37. شناسایی QTEs تحت فرض استقلال شرطی
• 38. روش‌های رگرسیون کوانتایل (Quantile Regression) به عنوان ابزار
• 39. محدودیت‌های رگرسیون کوانتایل برای شناسایی QTEs
• 40. نقش کوواریت‌ها در شناسایی DTEs/QTEs
• 41. عدم همگنی اثرات درمان (Treatment Effect Heterogeneity)
• 42. اهمیت درک اثرات بر گروه‌های مختلف توزیع
• 43. گرافیک‌های توزیع و نمودارهای کوانتایل
• 44. معیارهای تفاوت توزیع‌ها: Kullback-Leibler، Wasserstein
• 45. ارزیابی سیاست‌ها بر اساس اثرات توزیعی
• 46. انگیزه‌های ترکیب داده‌ها: رفع محدودیت‌های هر منبع
• 47. مقاله الهام‌بخش: ایده اصلی "قدرت شناسایی" چیست؟
• 48. چگونه داده‌های آزمایشی اعتبار داخلی را تضمین می‌کنند؟
• 49. چگونه داده‌های مشاهده‌ای اعتبار بیرونی را افزایش می‌دهند؟
• 50. سناریوهای رایج برای ترکیب داده‌ها
• 51. ترکیب برای بهبود تخمین ATE
• 52. ترکیب برای بهبود شناسایی DTEs و QTEs
• 53. ساختار داده‌های ترکیبی: داده‌های برشی (Cross-sectional) متفاوت
• 54. فرض‌های شناسایی برای ترکیب داده‌های آزمایشی و مشاهده‌ای
• 55. فرض قابلیت انتقال (Transportability/Generalizability) از RCT به جامعه بزرگتر
• 56. نقش متغیرهای مشترک (Common Covariates) بین دو مجموعه داده
• 57. استراتژی‌های کلی برای ترکیب داده‌ها
• 58. تخمین‌گرهای مبتنی بر وزن‌دهی (Weighting Estimators) در داده‌های ترکیبی
• 59. ترکیب داده‌ها از طریق تطبیق/حاشیه‌سازی (Matching/Marginalization)
• 60. چارچوب نظری برای شناسایی غیرپارامتریک DTEs با داده‌های ترکیبی
• 61. تخمین DTEs با استفاده از دو نمونه مجزا (Two-Sample DTE Estimation)
• 62. تخمین QTEs با داده‌های ترکیبی: روش‌های پیشرفته
• 63. تخمین توابع کوانتایل شرطی با داده‌های ترکیبی
• 64. کاربرد روش‌های یادگیری ماشین در شناسایی DTEs
• 65. یادگیری ماشینی برای تخمین امتیاز تمایل و توابع پیامد
• 66. درختان و جنگل‌های علّی برای اثرات ناهمگن (Causal Forests for Heterogeneous Effects)
• 67. تخمین اثرات درمانی مشروط (Conditional Treatment Effects)
• 68. تخمین اثرات درمان توزیعی مشروط (CDTEs)
• 69. استفاده از روش‌های ناپارامتریک برای تخمین CDTEs
• 70. شناسایی CDTEs با داده‌های آزمایشی و مشاهده‌ای
• 71. شناسایی CDTEs در سناریوهای پیچیده‌تر
• 72. نقش متغیرهای ابزاری (Instrumental Variables) در شناسایی DTEs (مقدماتی)
• 73. شناسایی ATE/QTEs با متغیرهای ابزاری و داده‌های ترکیبی
• 74. مقایسه روش‌های مختلف ترکیب داده‌ها: مزایا و معایب
• 75. روش‌های کنترل ناپارامتریک برای اثرات توزیعی
• 76. روش‌های مبتنی بر بیشینه احتمال (Maximum Likelihood) در داده‌های ترکیبی
• 77. رویکردهای بیزی (Bayesian Approaches) برای ترکیب داده‌ها
• 78. مسائل نمونه‌گیری و استنباط (Sampling and Inference) در داده‌های ترکیبی
• 79. بوت‌استرپینگ (Bootstrapping) برای استنباط در QTEs/DTEs
• 80. تحلیل حساسیت پیشرفته برای ترکیب داده‌ها
• 81. نرم‌افزارهای پیاده‌سازی: R و Python برای اقتصادسنجی علّی
• 82. پکیج‌های R برای تخمین اثرات درمان (مانند `CausalImpact`, `grf`)
• 83. پکیج‌های Python برای اثرات درمان (مانند `EconML`, `DoWhy`)
• 84. مطالعه موردی: ارزیابی یک برنامه آموزشی با داده‌های ترکیبی
• 85. مطالعه موردی: اثر یک سیاست بهداشتی بر توزیع سلامت
• 86. اعتبار داخلی در مقابل اعتبار بیرونی: تعادل بهینه
• 87. ملاحظات اخلاقی در استفاده از داده‌های ترکیبی
• 88. ارزیابی قدرت شناسایی در طراحی مطالعه
• 89. نقش قابلیت انتقال کوواریت‌ها
• 90. چالش‌های مقیاس‌گذاری و ابعاد بالای داده‌ها
• 91. تشخیص مدل اشتباه و پیامدهای آن
• 92. بررسی ناهمگنی اثرات درمان در زیرگروه‌ها
• 93. تخمین DTEs در حضور پیامدهای چندگانه
• 94. اثرات درمان پویا (Dynamic Treatment Effects) و DTEs
• 95. میانجی‌گری (Mediation) و تخمین DTEs
• 96. مرزهای جدید در شناسایی DTEs با داده‌های ترکیبی
• 97. محدودیت‌های رویکردهای کنونی و مسیرهای تحقیقاتی آینده
• 98. توصیه‌های سیاستی مبتنی بر تحلیل DTEs
• 99. جمع‌بندی: آینده اقتصادسنجی علّی با داده‌های ترکیبی
• 100. منابع و مطالعه بیشتر