اپلیکیشن اندرویدی فلش‌کارت آموزشی سری‌های زمانی و پیش‌بینی نرخ تورم

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره سری‌های زمانی و پیش‌بینی نرخ تورم

موضوع کلی: اقتصادسنجی کاربردی

موضوع میانی: تحلیل سری‌های زمانی اقتصاد کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی
• 2. جمع‌آوری و آماده‌سازی داده‌های سری زمانی
• 3. نمودارهای سری زمانی: انواع و کاربردها
• 4. تجزیه و تحلیل بصری سری‌های زمانی
• 5. مفاهیم پایه آمار در سری‌های زمانی
• 6. میانگین متحرک: روش‌ها و کاربردها
• 7. هموارسازی نمایی: ساده و مضاعف
• 8. تجزیه سری زمانی به مؤلفه‌ها
• 9. رگرسیون خطی ساده برای پیش‌بینی
• 10. رگرسیون چندگانه در سری‌های زمانی
• 11. ارزیابی مدل‌های رگرسیونی
• 12. مقدمه‌ای بر مدل‌های ARIMA
• 13. مدل‌های AR: خودرگرسیون
• 14. مدل‌های MA: میانگین متحرک
• 15. مدل‌هایARMA: ترکیب AR و MA
• 16. مدل‌های ARIMA: یکپارچگی
• 17. شناسایی مرتبه مدل ARIMA
• 18. تخمین پارامترهای ARIMA
• 19. آزمون‌های تشخیصی برای ARIMA
• 20. پیش‌بینی با استفاده از مدل‌های ARIMA
• 21. خطاهای پیش‌بینی و ارزیابی مدل
• 22. مقدمه‌ای بر مدل‌های نمایی
• 23. روش Holt: پیش‌بینی ساده
• 24. روش Holt-Winters: فصلی
• 25. روش Holt-Winters: روند و فصلی
• 26. انتخاب بهترین مدل پیش‌بینی
• 27. ارزیابی و مقایسه مدل‌های مختلف
• 28. پیش‌بینی نرخ تورم: چالش‌ها و رویکردها
• 29. مقدمه‌ای بر اقتصاد کلان و تورم
• 30. عوامل مؤثر بر نرخ تورم
• 31. نظریه‌های اقتصادی در مورد تورم
• 32. اندازه‌گیری نرخ تورم: CPI و GDP
• 33. تأثیر نرخ بهره بر تورم
• 34. تأثیر پول عرضه بر تورم
• 35. پیش‌بینی نرخ تورم با استفاده از داده‌های اقتصادی
• 36. تحلیل سری زمانی در محیط‌های اقتصادی
• 37. مقدمه‌ای بر داده‌های فصلی
• 38. تجزیه و تحلیل فصلی در سری‌های زمانی
• 39. مدل‌های فصلی ARIMA (SARIMA)
• 40. پیش‌بینی فصلی نرخ تورم
• 41. تأثیر شوک‌های اقتصادی بر تورم
• 42. سناریوسازی و تحلیل حساسیت در پیش‌بینی تورم
• 43. مدل‌سازی و پیش‌بینی تورم در اقتصاد ایران
• 44. تحلیل سری زمانی با نرم‌افزارهای آماری
• 45. کاربرد پایتون در تحلیل سری‌های زمانی