دوره معیار MIC: انتخاب بهینه مرتبه مدل VAR برای پیش‌بینی دقیق و قدرتمند همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معیار MIC: انتخاب بهینه مرتبه مدل VAR برای پیش‌بینی دقیق و قدرتمند

موضوع کلی: مدل‌سازی و پیش‌بینی سری‌های زمانی چندمتغیره

موضوع میانی: مدل‌های خودرگرسیو برداری (VAR) و چالش‌های پیاده‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی و اهمیت پیش‌بینی
• 2. از تک‌متغیره به چندمتغیره: چرا به مدل‌های برداری نیاز داریم؟
• 3. مفهوم ایستا بودن (Stationarity) و نقش آن در مدل‌سازی
• 4. آزمون‌های ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 5. آزمون‌های ایستایی: آزمون KPSS و مقایسه آن با ADF
• 6. نوفه سفید (White Noise) به عنوان بلوک ساختاری مدل‌ها
• 7. توابع خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF) برای سری‌های چندمتغیره
• 8. معرفی مدل‌های خودرگرسیو برداری (Vector Autoregression - VAR)
• 9. ساختار ریاضی و نمایش ماتریسی مدل VAR(p)
• 10. فرضیات اساسی مدل VAR: عدم وجود خودهمبستگی و واریانس همسانی در خطاها
• 11. مفهوم مرتبه (Order) یا وقفه (Lag) در مدل VAR و اهمیت حیاتی آن
• 12. چالش انتخاب مرتبه بهینه: بده-بستان بین بایاس و واریانس (Bias-Variance Tradeoff)
• 13. پیامدهای انتخاب مرتبه بسیار کم (Underfitting)
• 14. پیامدهای انتخاب مرتبه بسیار زیاد (Overfitting)
• 15. نقشه راه دوره: از درک مشکل تا تسلط بر راه حل (معیار MIC)
• 16. تخمین پارامترهای مدل VAR با روش حداقل مربعات معمولی (OLS)
• 17. اثبات اینکه OLS برای هر معادله به صورت جداگانه کارآمد است
• 18. بررسی شرط پایداری (Stability Condition) مدل VAR تخمین‌زده شده
• 19. تحلیل باقی‌مانده‌ها: آزمون عدم وجود خودهمبستگی سریالی (Portmanteau Test)
• 20. بررسی نرمال بودن باقی‌مانده‌ها: آزمون جارک-برا (Jarque-Bera Test)
• 21. تشخیص واریانس ناهمسانی (Heteroskedasticity) در باقی‌مانده‌های مدل VAR
• 22. پیش‌بینی تک‌مرحله‌ای (One-step-ahead) با استفاده از مدل VAR
• 23. پیش‌بینی چندمرحله‌ای (Multi-step-ahead) به روش تکراری (Iterated)
• 24. محاسبه بازه‌های اطمینان برای پیش‌بینی‌های حاصل از مدل VAR
• 25. معیارهای ارزیابی دقت پیش‌بینی: MAE, RMSE, MAPE
• 26. تحلیل تکانه-پاسخ (Impulse Response Function - IRF) برای درک دینامیک سیستم
• 27. تجزیه واریانس خطای پیش‌بینی (Forecast Error Variance Decomposition - FEVD)
• 28. آزمون علیت گرنجر (Granger Causality) در چارچوب VAR
• 29. مروری بر رویکردهای سنتی انتخاب مرتبه: معیارهای اطلاعاتی
• 30. معیار اطلاعاتی آکائیکه (Akaike Information Criterion - AIC)
• 31. فلسفه پشت AIC: بهینه‌سازی فاصله کولبک-لایبلر (Kullback-Leibler)
• 32. معیار اطلاعاتی بیزین (Bayesian Information Criterion - BIC/SC)
• 33. فلسفه پشت BIC: تقریب احتمال پسین مدل
• 34. معیار اطلاعاتی حنان-کویین (Hannan-Quinn Information Criterion - HQIC)
• 35. مقایسه ترم جریمه (Penalty Term) در معیارهای AIC، BIC و HQIC
• 36. ویژگی سازگاری (Consistency) در معیارهای انتخاب مدل
• 37. چرا BIC سازگار است اما AIC نیست؟
• 38. معیار خطای پیش‌بینی نهایی (Final Prediction Error - FPE)
• 39. محدودیت‌های معیارهای سنتی در نمونه‌های با اندازه کوچک
• 40. عملکرد ضعیف معیارهای سنتی در مدل‌های VAR با ابعاد بالا (High-dimensional)
• 41. مطالعه موردی: تضاد در انتخاب مرتبه توسط معیارهای مختلف و سردرگمی تحلیلگر
• 42. نیاز به یک معیار جدید: تمرکز مستقیم بر بهینه‌سازی دقت پیش‌بینی
• 43. فلسفه مقاله الهام‌بخش: انتخاب مرتبه برای کمینه‌سازی خطای پیش‌بینی
• 44. مفهوم ماتریس میانگین مربعات خطای پیش‌بینی (Mean Square Forecast Error - MSFE)
• 45. معرفی رسمی معیار اطلاعاتی میانگین مربعات (Mean Square Information Criterion - MIC)
• 46. مبانی نظری MIC: استخراج بر پایه تخمین‌زن MSFE
• 47. استخراج فرمول ریاضی MIC قدم به قدم
• 48. تجزیه و تحلیل جزء اول MIC: لگاریتم دترمینان ماتریس کوواریانس باقی‌مانده‌ها
• 49. تجزیه و تحلیل جزء دوم MIC: ترم جریمه و نقش آن
• 50. تفسیر شهودی ترم جریمه در MIC
• 51. مقایسه فرمول جریمه MIC با AIC و BIC
• 52. نقش ابعاد سری زمانی (K) و اندازه نمونه (T) در فرمول MIC
• 53. ویژگی‌های مجانبی (Asymptotic Properties) معیار MIC
• 54. اثبات سازگاری قوی (Strong Consistency) معیار MIC
• 55. چرا MIC در انتخاب مرتبه صحیح، سازگار است؟
• 56. مقایسه نظری عملکرد MIC و AIC در سناریوهای مختلف
• 57. مقایسه نظری عملکرد MIC و BIC در سناریوهای مختلف
• 58. شبیه‌سازی مونت کارلو: طراحی آزمایش برای ارزیابی معیارها
• 59. نتایج شبیه‌سازی: عملکرد MIC در نمونه‌های کوچک
• 60. نتایج شبیه‌سازی: عملکرد MIC در نمونه‌های بزرگ
• 61. نتایج شبیه‌سازی: عملکرد MIC در مدل‌های با ابعاد کم و زیاد
• 62. حساسیت MIC به نقض فرضیات مدل (مانند نرمال بودن خطاها)
• 63. شهود پشت برتری MIC: توازن بهینه بین دقت درون‌نمونه و خطای برون‌نمونه
• 64. خلاصه کلیدی مقاله: چه زمانی و چرا باید از MIC استفاده کرد؟
• 65. گردش کار کامل برای مدل‌سازی VAR با استفاده از معیار MIC
• 66. گام اول: آماده‌سازی داده‌ها (ایستاسازی، انتخاب متغیرها)
• 67. گام دوم: تعیین حداکثر مرتبه قابل قبول (p_max) و ملاحظات آن
• 68. گام سوم: پیاده‌سازی حلقه برای تخمین مدل‌های VAR از 1 تا p_max
• 69. گام چهارم: محاسبه مقدار MIC برای هر مرتبه تخمین زده شده
• 70. گام پنجم: انتخاب مرتبه‌ای که مقدار MIC را کمینه می‌کند
• 71. پیاده‌سازی الگوریتم انتخاب مرتبه با MIC در پایتون (با کتابخانه statsmodels)
• 72. پیاده‌سازی الگوریتم انتخاب مرتبه با MIC در R (با کتابخانه vars)
• 73. مطالعه موردی جامع: مدل‌سازی متغیرهای کلان اقتصادی (تولید ناخالص داخلی، تورم، نرخ بهره)
• 74. تحلیل نتایج مطالعه موردی: مقایسه مرتبه انتخابی توسط MIC، AIC و BIC
• 75. ساخت و ارزیابی مدل نهایی بر اساس مرتبه منتخب MIC
• 76. مقایسه عملکرد پیش‌بینی مدل‌های مبتنی بر MIC، AIC و BIC
• 77. تحلیل ساختاری (IRF و FEVD) بر اساس مدل نهایی منتخب MIC
• 78. نکات و ترفندهای عملی در هنگام استفاده از MIC
• 79. اشتباهات رایج در پیاده‌سازی و تفسیر نتایج MIC
• 80. نحوه گزارش نتایج انتخاب مرتبه با MIC در مقالات و گزارش‌های فنی
• 81. فراتر از VAR ایستا: مدل‌های هم‌انباشتگی (Cointegration)
• 82. آزمون هم‌انباشتگی یوهانسن (Johansen Test) و ارتباط آن با مرتبه VAR
• 83. مدل تصحیح خطای برداری (Vector Error Correction Model - VECM)
• 84. چالش انتخاب مرتبه در مدل‌های VECM
• 85. کاربرد ایده‌های MIC در انتخاب مرتبه مدل VECM
• 86. مدل‌های VAR ساختاری (Structural VAR - SVAR) و قیود شناسایی
• 87. تأثیر انتخاب مرتبه صحیح بر شناسایی صحیح مدل‌های SVAR
• 88. مدل‌های VAR با متغیرهای برون‌زا (VARX) و انتخاب مرتبه در آنها
• 89. مقدمه‌ای بر مدل‌های VAR بیزین (Bayesian VAR - BVAR)
• 90. انتخاب مرتبه در مقابل تنظیم ابرپارامترها (Hyperparameters) در BVAR
• 91. مدل‌های VAR با ابعاد بزرگ (Large-scale VARs) و چالش نفرین ابعاد (Curse of Dimensionality)
• 92. رویکردهای نوین انتخاب مرتبه برای VARهای بزرگ (مانند Lasso-VAR)
• 93. محدودیت‌های معیار MIC و زمینه‌های تحقیقاتی آینده
• 94. مقایسه MIC با رویکردهای یادگیری ماشین برای انتخاب مدل (مانند Cross-Validation)
• 95. جمع‌بندی نهایی دوره: چارچوب یکپارچه برای مدل‌سازی قدرتمند VAR
• 96. چک‌لیست عملی: از داده خام تا پیش‌بینی دقیق با استفاده از MIC
• 97. بهترین شیوه‌ها در مدل‌سازی سری‌های زمانی چندمتغیره
• 98. تعریف پروژه نهایی: پیاده‌سازی و مقایسه کامل مدل VAR با معیار MIC بر روی یک مجموعه داده واقعی
• 99. آینده پیش‌بینی سری‌های زمانی: فراتر از VAR و MIC