اپلیکیشن اندرویدی فلش‌کارت آموزشی Double Machine Learning در اقتصادسنجی نوآوری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Double Machine Learning در اقتصادسنجی نوآوری

موضوع کلی: استنباط علّی و مدل‌سازی پویا در اقتصادسنجی

موضوع میانی: استنباط علّی در اقتصادسنجی نوآوری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنباط علّی در اقتصادسنجی
• 2. چالش‌های استنباط علّی در اقتصادسنجی نوآوری
• 3. مرور روش‌های سنتی استنباط علّی (مانند IV، Diff-in-Diff)
• 4. معرفی یادگیری ماشین به عنوان ابزاری برای استنباط علّی
• 5. مفاهیم پایه یادگیری ماشین: رگرسیون، طبقه‌بندی، خوشه‌بندی
• 6. مقدمه‌ای بر Double Machine Learning (DML)
• 7. منطق پشت DML: کاهش سوگیری با استفاده از یادگیری ماشین
• 8. تخمین اثرات علّی با استفاده از DML: یک نمای کلی
• 9. فرض‌های کلیدی در DML
• 10. تخمین تابع ارزش مورد انتظار مشروط (CATE)
• 11. انتخاب ویژگی در DML
• 12. روش‌های انتخاب مدل در DML
• 13. تکنیک‌های اعتبارسنجی متقابل (Cross-validation) در DML
• 14. DML برای داده‌های مقطعی
• 15. DML برای داده‌های سری زمانی
• 16. DML با متغیرهای ابزاری ضعیف
• 17. DML و مشکل چندهم‌خطی
• 18. DML و داده‌های از دست رفته
• 19. DML و کنترل متغیرهای مخدوش‌گر
• 20. تفسیر نتایج DML
• 21. مقایسه DML با روش‌های استنباط علّی دیگر
• 22. کاربردهای DML در اقتصادسنجی نوآوری: ارزیابی سیاست‌ها
• 23. کاربردهای DML در اقتصادسنجی نوآوری: ارزیابی نوآوری‌های محصول
• 24. کاربردهای DML در اقتصادسنجی نوآوری: ارزیابی نوآوری‌های فرآیندی
• 25. DML و اثرات جانبی (Spillover Effects)
• 26. DML و اثرات پویا (Dynamic Effects)
• 27. DML و داده‌های بزرگ (Big Data)
• 28. پیاده‌سازی DML در R
• 29. پیاده‌سازی DML در Python
• 30. پیاده‌سازی DML در Stata
• 31. نکات عملی در پیاده‌سازی DML
• 32. محدودیت‌های DML
• 33. تحقیقات آینده در زمینه DML