کتاب مطالعه موردی: نمونه‌گیری Gibbs در تحقیقات علوم اجتماعی با JAGS با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مطالعه موردی: نمونه‌گیری Gibbs در تحقیقات علوم اجتماعی با JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمونه‌گیری Gibbs و کاربردهای آن
• 2. مبانی احتمالات و آمار در علوم اجتماعی
• 3. مفاهیم کلیدی مدل‌سازی آماری
• 4. مقدمه‌ای بر زبان برنامه‌نویسی R
• 5. نصب و راه‌اندازی R و بسته‌های مورد نیاز
• 6. آشنایی با محیط توسعه یکپارچه RStudio
• 7. مبانی کار با داده‌ها در R
• 8. انواع داده‌ها و ساختارهای داده‌ای در R
• 9. عملیات پایه بر روی داده‌ها در R
• 10. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 11. کاربرد GLM در تحلیل داده‌های علوم اجتماعی
• 12. مقدمه‌ای بر مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 13. مزایای مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 14. مقدمه‌ای بر نرم‌افزار JAGS
• 15. نصب و راه‌اندازی JAGS
• 16. ارتباط JAGS با R
• 17. نوشتن مدل‌های ساده در زبان مدل‌سازی BUGS
• 18. تنظیمات پایه در JAGS
• 19. اجرای مدل‌های BUGS از طریق R
• 20. مقدمه‌ای بر نمونه‌گیری زنجیره مارکوف مونت کارلو (MCMC)
• 21. مبانی نظری نمونه‌گیری MCMC
• 22. تشخیص همگرایی در MCMC
• 23. معیارهای تشخیص همگرایی (Gelman-Rubin)
• 24. تفسیر نتایج MCMC
• 25. نمونه‌گیری Gibbs: اصول و الگوریتم
• 26. تفاوت نمونه‌گیری Gibbs با سایر روش‌های MCMC
• 27. پیاده‌سازی نمونه‌گیری Gibbs در JAGS
• 28. مثال‌های کاربردی نمونه‌گیری Gibbs در R
• 29. نمونه‌گیری Gibbs برای مدل‌های رگرسیونی ساده
• 30. نمونه‌گیری Gibbs برای مدل‌های رگرسیونی چندگانه
• 31. کاربرد نمونه‌گیری Gibbs در تحلیل داده‌های طولی
• 32. تحلیل داده‌های طولی با مدل‌های سلسله‌مراتبی
• 33. مدل‌سازی داده‌های طبقه‌بندی شده با نمونه‌گیری Gibbs
• 34. مدل‌سازی داده‌های شمارشی با نمونه‌گیری Gibbs
• 35. مدل‌سازی داده‌های پیوسته با نمونه‌گیری Gibbs
• 36. کاربرد نمونه‌گیری Gibbs در مطالعات پیمایشی
• 37. تحلیل داده‌های پیمایشی پیچیده با نمونه‌گیری Gibbs
• 38. مقدمه‌ای بر مدل‌های عاملی پنهان (Latent Factor Models)
• 39. کاربرد مدل‌های عاملی پنهان در علوم اجتماعی
• 40. پیاده‌سازی مدل‌های عاملی پنهان با نمونه‌گیری Gibbs
• 41. تحلیل مقیاس‌ها و پرسشنامه‌ها با نمونه‌گیری Gibbs
• 42. مقدمه‌ای بر مدل‌های ساختاری کوواریانس (SEM)
• 43. کاربرد SEM در علوم اجتماعی
• 44. مقدمه‌ای بر مدل‌های پیش‌بینی‌کننده (Predictive Modeling)
• 45. کاربرد نمونه‌گیری Gibbs در پیش‌بینی
• 46. ارزیابی مدل‌های پیش‌بینی‌کننده
• 47. اعتبارسنجی متقابل (Cross-validation)
• 48. تنظیم ابرپارامترها (Hyperparameter tuning)
• 49. کاربرد نمونه‌گیری Gibbs در تحلیل شبکه‌های اجتماعی
• 50. مدل‌سازی روابط پیچیده در شبکه‌های اجتماعی
• 51. ملاحظات اخلاقی در تحلیل داده‌های علوم اجتماعی
• 52. حفظ حریم خصوصی داده‌ها
• 53. شفافیت در گزارش‌دهی نتایج
• 54. مقدمه‌ای بر روش‌های بیزی در علوم اجتماعی
• 55. تفاوت رویکرد بیزی و فراوانی‌گرا
• 56. مزایای رویکرد بیزی در مدل‌سازی
• 57. کاربرد نمونه‌گیری Gibbs در مطالعات کیفی
• 58. تحلیل محتوا با رویکرد کمی
• 59. ترکیب روش‌های کمی و کیفی
• 60. کاربرد نمونه‌گیری Gibbs در تحلیل اقتصاد سنجی
• 61. مدل‌سازی سری‌های زمانی با نمونه‌گیری Gibbs
• 62. تحلیل داده‌های پنل با نمونه‌گیری Gibbs
• 63. مقدمه‌ای بر مدل‌های مکانی (Spatial Models)
• 64. کاربرد نمونه‌گیری Gibbs در تحلیل داده‌های مکانی
• 65. تحلیل خوشه‌بندی مکانی
• 66. مقدمه‌ای بر روش‌های کاهش ابعاد
• 67. تحلیل مؤلفه‌های اصلی (PCA) با رویکرد بیزی
• 68. تحلیل عاملی اکتشافی با رویکرد بیزی
• 69. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 70. کاربرد نمونه‌گیری Gibbs در طبقه‌بندی (Classification)
• 71. کاربرد نمونه‌گیری Gibbs در رگرسیون (Regression)
• 72. مقدمه‌ای بر مدل‌های ارزش‌گذاری شرطی (CVM)
• 73. کاربرد نمونه‌گیری Gibbs در مطالعات CVM
• 74. تحلیل داده‌های CVM با JAGS
• 75. مقدمه‌ای بر مدل‌های انتخاب گسسته
• 76. کاربرد نمونه‌گیری Gibbs در مدل‌های انتخاب گسسته
• 77. مدل لجستیک و پروبیت با رویکرد بیزی
• 78. مقدمه‌ای بر مدل‌های رتبه‌بندی
• 79. کاربرد نمونه‌گیری Gibbs در مدل‌های رتبه‌بندی
• 80. مدل‌های رتبه‌بندی ترتیبی
• 81. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 82. کاربرد نمونه‌گیری Gibbs در تحلیل بقا
• 83. مدل کاکس با رویکرد بیزی
• 84. مقدمه‌ای بر تحلیل عوامل اثرگذار
• 85. کاربرد نمونه‌گیری Gibbs در تحلیل عوامل اثرگذار
• 86. مدل‌های مسیر (Path Models)
• 87. مقدمه‌ای بر تحلیل عوامل تأییدی (CFA)
• 88. کاربرد نمونه‌گیری Gibbs در تحلیل CFA
• 89. مدل‌های ساختاری کوواریانس با رویکرد بیزی
• 90. مقدمه‌ای بر مدل‌های عاملی مشترک (Common Factor Models)
• 91. کاربرد نمونه‌گیری Gibbs در مدل‌های عاملی مشترک
• 92. تحلیل همبستگی بین متغیرهای پنهان
• 93. مقدمه‌ای بر مدل‌های پویایی سیستم (System Dynamics)
• 94. کاربرد نمونه‌گیری Gibbs در شبیه‌سازی سیستم‌ها
• 95. مدل‌سازی رفتار سیستم‌های پیچیده
• 96. مقدمه‌ای بر تحلیل سلسله‌مراتبی چندسطحی (MLM)
• 97. کاربرد نمونه‌گیری Gibbs در MLM
• 98. مدل‌های MLMM با JAGS
• 99. مقدمه‌ای بر مدل‌های رگرسیون کوواریانس (Covariance Regression Models)
• 100. کاربرد نمونه‌گیری Gibbs در مدل‌های رگرسیون کوواریانس