دوره مدل‌سازی سلسله مراتبی در علوم اجتماعی با رویکرد بیزی و MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی سلسله مراتبی در علوم اجتماعی با رویکرد بیزی و MCMC

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: علوم اجتماعی (Social Sciences)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی سلسله مراتبی در علوم اجتماعی
• 2. مفاهیم پایه آمار بیزی
• 3. توزیع‌های پیشین، درست‌نمایی و توزیع پسین
• 4. مقدمه‌ای بر روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC)
• 5. الگوریتم Metropolis-Hastings
• 6. الگوریتم Gibbs Sampling
• 7. تشخیص همگرایی MCMC
• 8. مدل‌های خطی سلسله مراتبی
• 9. مدل‌های تعمیم‌یافته خطی سلسله مراتبی
• 10. مدل‌های اثرات تصادفی
• 11. مدل‌های اثرات ثابت و متغیر
• 12. مدل‌های رشد منحنی (Growth Curve Models)
• 13. مدل‌های چندسطحی برای داده‌های تودرتو
• 14. مدل‌سازی داده‌های طولی با رویکرد سلسله مراتبی
• 15. مدل‌های چندمتغیره سلسله مراتبی
• 16. مدل‌های سلسله مراتبی برای داده‌های گسسته
• 17. مدل‌سازی روابط چندگانه در مدل‌های سلسله مراتبی
• 18. مدل‌های سلسله مراتبی با متغیرهای میانجی
• 19. مدل‌های سلسله مراتبی با متغیرهای تعدیل‌گر
• 20. مدل‌های سلسله مراتبی برای داده‌های از دست رفته
• 21. روش‌های ارزیابی مدل در مدل‌سازی سلسله مراتبی
• 22. مقایسه مدل‌ها با استفاده از معیارهای اطلاعاتی (DIC, WAIC, LOO)
• 23. تحلیل حساسیت به توزیع‌های پیشین
• 24. پیاده‌سازی مدل‌های سلسله مراتبی در R با بسته lme4
• 25. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 26. پیاده‌سازی مدل‌های سلسله مراتبی در JAGS
• 27. مدل‌سازی سلسله مراتبی در مطالعات پیمایشی
• 28. مدل‌سازی سلسله مراتبی در علوم تربیتی
• 29. مدل‌سازی سلسله مراتبی در روانشناسی
• 30. مدل‌سازی سلسله مراتبی در جرم‌شناسی
• 31. مدل‌سازی سلسله مراتبی در اقتصاد
• 32. مدل‌سازی سلسله مراتبی برای داده‌های مکانی
• 33. مدل‌سازی سلسله مراتبی با ساختارهای پیچیده همبستگی
• 34. مدل‌های سلسله مراتبی بیزی غیرپارامتری
• 35. استفاده از زنجیره‌های مارکوف پنهان (HMM) در مدل‌های سلسله مراتبی
• 36. تفسیر نتایج مدل‌های سلسله مراتبی
• 37. گزارش‌دهی نتایج مدل‌های سلسله مراتبی