🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: تعادل باقیمانده برای مدل‌های غیرخطی: غلبه بر چالش‌های ابعاد بالا در استنباط علی

موضوع کلی: استنباط علی در ابعاد بالا

موضوع میانی: روش‌های تعدیل باقیمانده برای تخمین اثر درمان

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر استنباط علی
• 2. مبانی استنباط علی: عدم قطعیت و سوگیری
• 3. مدل‌های علت و معلولی پایه‌ی روزن‌بلوم
• 4. مدل‌های بالقوه یوت-ینگ
• 5. مسئله‌ی استنباط علی در عمل
• 6. چالش‌های استنباط علی
• 7. سوگیری انتخاب
• 8. سوگیری اطلاعاتی
• 9. سوگیری باقی‌مانده
• 10. تخمین اثر درمان متوسط (ATE)
• 11. تخمین اثر درمان متوسط روی گروه در معرض (ATT)
• 12. تخمین اثر درمان متوسط روی گروه کنترل (ATC)
• 13. اهمیت مدل‌سازی نتایج
• 14. ضرورت مدل‌های غیرخطی نتایج
• 15. پیامدهای مدل‌سازی خطی نامناسب
• 16. کاربرد مدل‌های غیرخطی نتایج
• 17. مدل‌های نتایج با ابعاد بالا
• 18. تعریف ابعاد بالا
• 19. چالش‌های استنباط علی در ابعاد بالا
• 20. بیش‌برازش (Overfitting) در مدل‌های با ابعاد بالا
• 21. کاهش بعد (Dimensionality Reduction)
• 22. روش‌های رایج کاهش بعد
• 23. تجزیه مولفه‌های اصلی (PCA)
• 24. تجزیه مقادیر منفرد (SVD)
• 25. تعدیل (Confounding) در ابعاد بالا
• 26. ضرورت تعدیل موثر
• 27. روش‌های تعدیل سنتی
• 28. رگرسیون خطی برای تعدیل
• 29. دسته‌بندی (Matching) برای تعدیل
• 30. امتیاز گرایش (Propensity Score)
• 31. امتیاز گرایش در ابعاد بالا
• 32. سوگیری ناشی از امتیاز گرایش نامناسب
• 33. محدودیت‌های امتیاز گرایش در ابعاد بالا
• 34. محدودیت‌های دسته‌بندی در ابعاد بالا
• 35. محدودیت‌های رگرسیون در ابعاد بالا
• 36. مقدمه‌ای بر روش‌های تعدیل باقیمانده
• 37. مفهوم باقیمانده (Residual)
• 38. ارتباط باقیمانده با سوگیری
• 39. مفهوم تعادل (Balancing)
• 40. تعادل باقیمانده در مقابل تعادل سنتی
• 41. الهام از مقاله "Residual Balancing for Non-Linear Outcome Models in High Dimensions"
• 42. مشکل اصلی مورد بررسی در مقاله
• 43. راه حل پیشنهادی مقاله
• 44. مفهوم "Residual Balancing"
• 45. کاربرد "Residual Balancing" برای مدل‌های غیرخطی
• 46. مزایای "Residual Balancing" در ابعاد بالا
• 47. مراحل کلی روش تعادل باقیمانده
• 48. نحوه مدل‌سازی نتایج اولیه
• 49. انتخاب مدل نتایج (Outcome Model)
• 50. اهمیت انتخاب مدل نتایج مناسب
• 51. مدل‌های کلاسیک نتایج
• 52. مدل‌های غیرخطی نتایج
• 53. نحوه تعریف باقیمانده در این زمینه
• 54. محاسبه باقیمانده‌ها
• 55. نحوه استفاده از باقیمانده‌ها برای تعادل
• 56. تعریف معیارهای تعادل
• 57. تعریف متغیرهای تعدیل (Covariates)
• 58. نحوه دستکاری متغیرهای تعدیل
• 59. اصول تعادل باقیمانده
• 60. مقایسه با روش‌های سنتی
• 61. کاربرد در شرایط متغیرهای تعدیل زیاد
• 62. کاربرد در شرایط مدل‌های نتایج پیچیده
• 63. تعیین وزن‌ها (Weights) برای تعادل
• 64. بهینه‌سازی وزن‌ها
• 65. الگوریتم‌های بهینه‌سازی وزن‌ها
• 66. ارزیابی تعادل حاصل شده
• 67. معیارهای ارزیابی تعادل
• 68. تست‌های آماری برای ارزیابی تعادل
• 69. کاربرد تعادل باقیمانده در تخمین اثر درمان
• 70. فرآیند تخمین ATE با تعادل باقیمانده
• 71. فرآیند تخمین ATT با تعادل باقیمانده
• 72. فرآیند تخمین ATC با تعادل باقیمانده
• 73. انتخاب مناسب مدل نتایج برای فرآیند تعادل
• 74. ملاحظات انتخاب مدل نتایج
• 75. تنوع مدل‌های نتایج غیرخطی
• 76. مدل‌های درخت تصمیم (Decision Trees)
• 77. مدل‌های جنگل تصادفی (Random Forests)
• 78. مدل‌های شبکه‌های عصبی (Neural Networks)
• 79. مدل‌های شبکه‌های عصبی عمیق (Deep Neural Networks)
• 80. مقایسه عملکرد مدل‌های مختلف نتایج
• 81. نحوه انجام مدل‌سازی نتایج در ابعاد بالا
• 82. تکنیک‌های منظم‌سازی (Regularization)
• 83. اهمیت منظم‌سازی برای جلوگیری از بیش‌برازش
• 84. مدل‌های نتایج با منظم‌سازی
• 85. استفاده از باقیمانده‌های مدل‌های نتایج منظم‌شده
• 86. پردازش متغیرهای تعدیل
• 87. تبدیلات متغیرهای تعدیل
• 88. برهم‌کنش (Interaction) متغیرهای تعدیل
• 89. انتخاب زیرمجموعه‌ای از متغیرهای تعدیل
• 90. اهمیت تعادل در زیرمجموعه متغیرهای تعدیل
• 91. روش‌های نوین تعادل باقیمانده
• 92. گسترش روش تعادل باقیمانده
• 93. کاربرد در شرایط داده‌های گسسته
• 94. کاربرد در شرایط داده‌های پیوسته
• 95. کاربرد در شرایط داده‌های ترکیبی
• 96. توسعه برای متغیرهای پیامد غیرخطی
• 97. توسعه برای متغیرهای پیامد با توزیع‌های مختلف
• 98. ارزیابی سوگیری باقی‌مانده (Residual Confounding)
• 99. روش‌های تشخیص و اندازه‌گیری سوگیری باقی‌مانده
• 100. راهکارهای کاهش سوگیری باقی‌مانده