فلشکارتهای آموزشی استنباط علّی پایدار (Doubly-Robust) با DML در مدلهای انتخاب نمونه چندمتغیره
استنباط علّی پایدار (Doubly-Robust) با DML: گامی فراتر در تحلیل داده استنباط علّی پایدار (Doubly-Robust) با DML: گامی فراتر در تحلیل داده آیا به دنبال راهی هستید تا از دادههای پیچیده و دارای سوگیری، ...
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره استنباط علّی پایدار (Doubly-Robust) با DML در مدلهای انتخاب نمونه چندمتغیره
موضوع کلی: روشهای پیشرفته در استنباط علّی
موضوع میانی: یادگیری ماشین دوگانه (DML) در استنباط علّی
📋 سرفصلهای دوره
- 1. مقدمه بر استنباط علّی: فراتر از همبستگی
- 2. چارچوب نتایج بالقوه (Potential Outcomes Framework)
- 3. اثر درمانی میانگین (ATE) و اثر درمانی روی درمانشدگان (ATT)
- 4. متغیرهای مخدوشکننده (Confounders) و چالش شناسایی علّی
- 5. فرضیه نادیدهانگاری (Unconfoundedness) یا انتخاب بر اساس متغیرهای قابل مشاهده
- 6. روشهای کلاسیک کنترل مخدوشکنندهها: رگرسیون چندگانه
- 7. روشهای کلاسیک کنترل مخدوشکنندهها: تطبیق (Matching)
- 8. امتیاز تمایل (Propensity Score) و روشهای مبتنی بر آن
- 9. تورش انتخاب نمونه (Sample Selection Bias): یک چالش بنیادین
- 10. تفاوت تورش مخدوشکنندگی و تورش انتخاب نمونه
- 11. مدل کلاسیک انتخاب نمونه هکمن (Heckman Selection Model)
- 12. محدودیتهای مدلهای پارامتریک سنتی در استنباط علّی
- 13. ورود به دنیای یادگیری ماشین: فرصتها و تهدیدها
- 14. چرا یادگیری ماشین برای پیشبینی و نه لزوماً برای علیت؟
- 15. خطر استفاده ساده از مدلهای ML برای برآورد اثرات علّی
- 16. مفهوم تورش قانونمندسازی (Regularization Bias) در مدلهای LASSO و Ridge
- 17. مقدمهای بر یادگیری ماشین دوگانه (DML)
- 18. شهود پشت DML: قضیه فریش-وا-لاول (Frisch-Waugh-Lovell Theorem)
- 19. مفهوم متغیرهای مزاحم (Nuisance Parameters) در مدلهای علی
- 20. ایده اصلی DML: جداسازی (Partialling Out) اثر مخدوشکنندهها
- 21. متعامدسازی نیمانی (Neyman Orthogonality): کلید کاهش تورش
- 22. شرایط گشتاور متعامد (Orthogonal Moment Conditions)
- 23. تکنیک برازش متقاطع (Cross-Fitting) یا تقسیم نمونه (Sample Splitting)
- 24. چرا برازش متقاطع برای جلوگیری از تورش بیشبرازش حیاتی است؟
- 25. الگوریتم گام به گام یادگیری ماشین دوگانه
- 26. مدل خطی جزئی (Partially Linear Model) به عنوان اولین مثال DML
- 27. برآورد اثر درمانی میانگین (ATE) با استفاده از DML
- 28. برآورد اثرات درمانی ناهمگون (Heterogeneous Treatment Effects) با DML
- 29. انتخاب مدلهای یادگیری ماشین مناسب برای مراحل DML
- 30. جنگلهای تصادفی (Random Forests) در چارچوب DML
- 31. گرادیان بوستینگ (Gradient Boosting) در چارچوب DML
- 32. شبکههای عصبی (Neural Networks) در چارچوب DML
- 33. استنتاج آماری پس از DML: محاسبه خطای استاندارد و فواصل اطمینان
- 34. بازنگری عمیق در مشکل انتخاب نمونه
- 35. وزندهی بر اساس معکوس احتمال (Inverse Probability Weighting - IPW)
- 36. برآوردگرهای الحاقی (Augmentation) و مفهوم دوگانه پایدار (Doubly-Robust)
- 37. چرا پایداری دوگانه یک ویژگی مطلوب است؟
- 38. ترکیب IPW و رگرسیون نتیجه: برآوردگر AIPW
- 39. محدودیتهای IPW و AIPW در فضاهای با ابعاد بالا
- 40. مدلهای انتخاب نمونه تکمتغیره: مرور و نقد
- 41. ورود به مسئله اصلی: انتخاب نمونه چندمتغیره (Multivariate Sample Selection)
- 42. مثالهایی از انتخاب نمونه چندمتغیره در دنیای واقعی
- 43. چالشهای مدلسازی انتخاب نمونه چندمتغیره
- 44. همبستگی بین خطاهای معادلات انتخاب چندگانه
- 45. ساختار مدل مقاله مرجع: تعریف متغیرها و معادلات
- 46. معادله نتیجه (Outcome Equation) در حضور انتخاب چندگیره
- 47. معادلات انتخاب (Selection Equations): دروازههای چندگانه مشاهده
- 48. فرضیات شناسایی (Identification Assumptions) در مدل مقاله
- 49. نقش متغیرهای ابزاری (Instrumental Variables) در شناسایی
- 50. فرضیه طرد (Exclusion Restriction) در زمینه انتخاب نمونه
- 51. صورتبندی مسئله در چارچوب شرایط گشتاور (Moment Conditions)
- 52. ساخت شرط گشتاور متعامد برای مدل انتخاب نمونه چندمتغیره
- 53. توابع مزاحم در مدل چندمتغیره: احتمالات انتخاب شرطی
- 54. توابع مزاحم در مدل چندمتغیره: امید ریاضی شرطی نتیجه
- 55. برآورد توابع مزاحم با استفاده از یادگیری ماشین
- 56. مدلسازی احتمالات انتخاب چندگانه: رگرسیون لجستیک چندجملهای و فراتر از آن
- 57. استفاده از طبقهبندهای پیشرفته (مانند XGBoost) برای مدلسازی انتخاب
- 58. مدلسازی معادله نتیجه با استفاده از رگرسیونهای غیرپارامتریک
- 59. الگوریتم DML برای مدل انتخاب نمونه چندمتغیره: مرحله اول (Partialling Out)
- 60. الگوریتم DML برای مدل انتخاب نمونه چندمتغیره: مرحله دوم (Final Estimation)
- 61. پیادهسازی برازش متقاطع در این مدل پیچیده
- 62. اثبات ویژگی دوگانه پایدار بودن برآوردگر پیشنهادی
- 63. سناریوی اول پایداری: مدل نتیجه صحیح، مدل انتخاب ناصحیح
- 64. سناریوی دوم پایداری: مدل انتخاب صحیح، مدل نتیجه ناصحیح
- 65. استنتاج آماری برای برآوردگر نهایی
- 66. روشهای بوتاسترپ (Bootstrap) برای محاسبه واریانس
- 67. بررسی عملکرد برآوردگر از طریق شبیهسازی مونت کارلو
- 68. طراحی یک مطالعه شبیهسازی: تولید داده مصنوعی
- 69. مقایسه عملکرد DML با روشهای پارامتریک سنتی
- 70. مقایسه عملکرد DML با روشهای سادهانگارانه مبتنی بر ML
- 71. تحلیل حساسیت نسبت به نقض فرضیات مدل
- 72. بررسی نقض فرضیه طرد
- 73. بررسی قدرت متغیرهای ابزاری
- 74. پیادهسازی عملی: مقدمهای بر کتابخانههای نرمافزاری
- 75. پیادهسازی در پایتون با استفاده از کتابخانه EconML
- 76. پیادهسازی در R با استفاده از بسته DoubleML
- 77. مطالعه موردی: تحلیل تأثیر یک برنامه آموزشی بر دستمزد
- 78. مطالعه موردی: تعریف متغیرها و معادلات انتخاب (مثلاً ثبتنام و اتمام دوره)
- 79. مطالعه موردی: آمادهسازی و پاکسازی دادهها
- 80. مطالعه موردی: انتخاب و آموزش مدلهای یادگیری ماشین
- 81. مطالعه موردی: اجرای الگوریتم DML گام به گام
- 82. مطالعه موردی: تفسیر نتایج علّی و ضرایب به دست آمده
- 83. مطالعه موردی: گزارش فواصل اطمینان و معناداری آماری
- 84. تعمیم مدل: اثرات درمانی ناهمگون در حضور انتخاب نمونه
- 85. استفاده از جنگلهای علّی (Causal Forests) در چارچوب DML
- 86. محدودیتهای روش ارائه شده در مقاله
- 87. چه زمانی DML در مدلهای انتخاب نمونه شکست میخورد؟
- 88. ارتباط DML با سایر روشهای مدرن استنباط علّی
- 89. یادگیری ماشین هدفمند (Targeted Maximum Likelihood Estimation - TMLE)
- 90. ماتریسهای تعمیمیافته تصادفی (Generalized Random Forests)
- 91. ملاحظات محاسباتی و مقیاسپذیری الگوریتم
- 92. نکات عملی برای انتخاب پارامترهای تنظیم (Hyperparameter Tuning) در DML
- 93. اخلاق در استنباط علّی: تفسیر مسئولانه نتایج
- 94. روندهای آینده: ادغام یادگیری عمیق (Deep Learning) با DML
- 95. روندهای آینده: مدلهای انتخاب نمونه پویا و دادههای پانلی
- 96. جمعبندی مفاهیم کلیدی دوره
- 97. پروژه نهایی: پیادهسازی و تحلیل یک مجموعه داده واقعی
- 98. مرور نهایی و چشمانداز استنباط علّی مدرن
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلشکارت؛ تجربهای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دورههای واجد شرایط.
مرور فاصلهدار
آمار یادگیری
گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را بهصورت مرحلهای دنبال کنید، فلشکارتها را مرور کنید، دانش خود را با پرسشها و آزمونها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصلهدار هوشمند
با مرور زماندار، کارتهای تازه و کارتهای سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخها به زمانبندی مرورهای بعدی کمک میکند تا تمرین متناسبتری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلشکارتها، فعالیتهای مرور، عملکرد آزمونها و آمار یادگیری را بررسی کنید و تصویر روشنتری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحلهبهمرحله
فصلها و بخشهای آموزشی را به ترتیب دنبال کنید، مطالب دیدهنشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموختهها
با نکتههای آموزشی، پرسش و پاسخ، کوییزها و آزمونهای پایان فصل، دانستههای خود را تمرین کنید و بخشهایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارتهای تازه و موعد مرور کارتها آماده میکند. شما پاسخ را ارزیابی میکنید و برنامه مرور با توجه به آن تنظیم میشود.
دوباره
برای کارتهایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخهایی که با دشواری به یاد آمدهاند.
خوب
برای پاسخهایی که بهدرستی به یاد آوردهاید.
آسان
برای کارتهایی که پاسخ آنها را بهآسانی میدانید.
برنامه مرور بر اساس ارزیابی شما تنظیم میشود؛ مرور منظم میتواند به تثبیت آموختهها کمک کند، اما بهتنهایی تضمینکننده تسلط کامل نیست.
محتوا را به شیوههای مختلف تمرین کنید
ساختار دورهها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکتههای ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکتههای رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه میشود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، میتوانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دورههای در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمانهای کوتاه
تبلت و لپتاپ
برای مطالعه و مرور راحتتر
حساب کاربری شخصی
برای دسترسی به دورههای مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دورههایی که امکان دریافت گواهی برای آنها فعال است، میتوانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلشکارتهای فعال دوره.
✓ قبولی در آزمونهای پایان فصل، در صورت وجود آزمون برای فصلها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخههای فارسی و انگلیسی گواهی در دسترس قرار میگیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر میشود. این گواهی، گواهی پایان دوره آموزشی است و بهخودیخود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدمبهقدم دانش و مهارتهایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه
یادگیری هوشمند، قدمبهقدم
با محیط سامانه آموزشی آشنا شوید و نمونههایی از فضای یادگیری، فلشکارتها و ابزارهای مرور و تمرین را مشاهده کنید.
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
یادگیری فراتر از مطالعه معمولی
با فلشکارتهای آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.
تگها:
Causal Inference
Deep Learning
DML
Doubly Robust Estimation
Machine Learning
Multivariate Sample Selection
Python
R
آمار
استنباط علّی
دادهکاوی
روشهای پیشرفته
مدل انتخاب نمونه
یادگیری ماشین
یادگیری ماشین دوگانه
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.