🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: مدل‌سازی پیشرفته داده‌های طولی چند متغیره با مقادیر صفر اضافی با رویکرد بیزی و کاربرد در علوم سلامت

موضوع کلی: آمار و مدل‌سازی داده‌های طولی

موضوع میانی: مدل‌های کلاس پنهان برای داده‌های طولی

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر داده‌های طولی: تعاریف و اهمیت
• 2. ویژگی‌های اصلی داده‌های طولی: وابستگی درون فردی
• 3. انواع طرح‌های مطالعاتی طولی: پانل، کوهورت، پیگیری
• 4. اهداف تحلیل داده‌های طولی: ردیابی تغییرات زمان
• 5. چالش‌های تحلیل داده‌های طولی: از دست رفتن داده و واریانس ناهمگن
• 6. سازماندهی داده‌های طولی: فرمت عریض و بلند
• 7. آماره‌های توصیفی برای داده‌های طولی: میانگین و روند
• 8. تصویرسازی داده‌های طولی: نمودارهای فردی و گروهی
• 9. مرور مفاهیم رگرسیون خطی و فرض‌های آن
• 10. مدل‌های خطی تعمیم‌یافته (GLM) و توزیع‌های پاسخ
• 11. مقدمه‌ای بر مدل‌های اثرات مختلط (Mixed-Effects Models)
• 12. مدل‌های خطی با اثرات مختلط (LMM): تعریف و معادله
• 13. اثرات ثابت و اثرات تصادفی: تمایز و نقش
• 14. برازش مدل‌های LMM: روش‌های ML و REML
• 15. انتخاب ساختار کواریانس در مدل‌های LMM
• 16. مدل‌های خطی تعمیم‌یافته با اثرات مختلط (GLMM)
• 17. GLMM برای داده‌های باینری: مدل‌های رگرسیون لجستیک طولی
• 18. GLMM برای داده‌های شمارشی: مدل‌های رگرسیون پواسون طولی
• 19. مدل‌های معادلات برآورد تعمیم‌یافته (GEE): رویکرد جمعیت-میانگین
• 20. مقایسه LMM, GLMM و GEE: مزایا و معایب
• 21. مبانی استنباط بیزی: پارادایم و فلسفه
• 22. قضیه بیز: فرمول‌بندی و اجزا (پیشین، درستنمایی، پسین)
• 23. انتخاب توزیع‌های پیشین (Priors): اطلاعاتی و غیر اطلاعاتی
• 24. استنباط بیزی در برابر استنباط فراوانی‌گرا
• 25. محاسبات بیزی: چالش‌های انتگرال‌گیری
• 26. معرفی شبیه‌سازی زنجیره مارکوف مونت کارلو (MCMC)
• 27. الگوریتم نمونه‌گیری گیبز (Gibbs Sampling)
• 28. الگوریتم متروپلیس-هاستینگز (Metropolis-Hastings)
• 29. تشخیص همگرایی زنجیره‌های MCMC: بصری و آماری
• 30. معیارهای همگرایی: Gelman-Rubin, Heidelberger-Welch
• 31. طراحی و اجرای مدل‌های بیزی با نرم‌افزارهایی مانند JAGS و Stan
• 32. تنظیمات هایپرپارامترها و حساسیت‌سنجی
• 33. معیارهای اطلاعاتی بیزی: DIC و WAIC
• 34. اعتبارسنجی مدل بیزی و پیش‌بینی‌های پسین
• 35. مقدمه‌ای بر داده‌های طولی چند متغیره
• 36. چالش‌های تحلیل داده‌های طولی چند متغیره
• 37. مدل‌سازی همزمان چندین متغیر پاسخ طولی
• 38. مدل‌های اثرات مختلط چند متغیره (Multivariate LMM)
• 39. ماتریس کواریانس در مدل‌های چند متغیره طولی
• 40. مدل‌سازی خروجی‌های طولی از انواع مختلف (مختلط)
• 41. وابستگی بین متغیرهای پاسخ در طول زمان
• 42. مدل‌های رگرسیون چند متغیره بیزی برای داده‌های طولی
• 43. تفسیر نتایج در مدل‌های چند متغیره بیزی
• 44. کاربرد مدل‌های چند متغیره در علوم سلامت
• 45. شناسایی و توصیف صفر اضافی (Excess Zeros) در داده‌ها
• 46. منابع تولید صفر اضافی: صفر ساختگی و صفر واقعی
• 47. مدل‌های آمیخته صفر (Zero-Inflated Models): ZIP و ZINB
• 48. مدل‌های آستانه‌ای (Hurdle Models): رویکرد دو مرحله‌ای
• 49. مقایسه مدل‌های آمیخته صفر و آستانه‌ای
• 50. مدل‌های آمیخته صفر برای داده‌های طولی (ZI-GLMM)
• 51. مدل‌های آستانه‌ای برای داده‌های طولی (Hurdle-GLMM)
• 52. پیاده‌سازی مدل‌های دارای صفر اضافی در رویکرد بیزی
• 53. انتخاب توزیع مناسب برای بخش شمارشی در مدل‌های صفر اضافی
• 54. تفسیر پارامترها در مدل‌های طولی با صفر اضافی بیزی
• 55. مقدمه‌ای بر ناهمگونی ناپیدا (Unobserved Heterogeneity)
• 56. مفهوم کلاس‌های پنهان (Latent Classes) و زیر گروه‌ها
• 57. مدل‌های آمیخته متناهی (Finite Mixture Models)
• 58. اهداف مدل‌سازی کلاس پنهان: کشف الگوها
• 59. مدل‌های پروفایل پنهان (Latent Profile Models)
• 60. تعیین تعداد بهینه کلاس‌های پنهان
• 61. معیارهای اطلاعاتی برای انتخاب تعداد کلاس: AIC, BIC, BLRT
• 62. شناسایی مدل‌های کلاس پنهان (Identifiability Issues)
• 63. ارزیابی برازش مدل‌های کلاس پنهان
• 64. تفسیر ویژگی‌های هر کلاس پنهان
• 65. مدل‌های رشد کلاس پنهان (Latent Class Growth Models - LCGM)
• 66. شناسایی مسیرهای رشد متفاوت در طول زمان
• 67. مدل‌های آمیخته رشد (Growth Mixture Models - GMM)
• 68. ترکیب اثرات ثابت و تصادفی با کلاس‌های پنهان
• 69. افزودن کوواریت‌ها به مدل‌های GMM: تأثیر بر عضویت کلاس
• 70. کوواریت‌های مستقل از زمان و وابسته به زمان در GMM
• 71. برآورد عضویت کلاس پسین (Posterior Class Membership)
• 72. چالش‌های برازش مدل‌های GMM و راهکارهای عملی
• 73. کاربرد GMM در شناسایی زیر گروه‌های بالینی
• 74. توسعه‌های GMM: مدل‌های کلاس پنهان چندگروهی
• 75. رویکرد بیزی به مدل‌های کلاس پنهان (Bayesian Latent Class Models)
• 76. مزایای استفاده از رویکرد بیزی در LCM
• 77. مدل‌های کلاس پنهان بیزی برای داده‌های طولی
• 78. استنباط بیزی برای پارامترهای عضویت کلاس
• 79. انتخاب توزیع پیشین برای احتمال عضویت کلاس
• 80. مدل‌سازی ناهمگونی درون کلاسی در چارچوب بیزی
• 81. تعیین تعداد کلاس‌ها در مدل‌های کلاس پنهان بیزی
• 82. بررسی همگرایی MCMC در مدل‌های LCM بیزی
• 83. تفسیر جامع خروجی‌های مدل‌های LCM بیزی
• 84. پیاده‌سازی مدل‌های LCM بیزی در Stan یا JAGS
• 85. ادغام مدل‌های کلاس پنهان و مدل‌های صفر اضافی
• 86. مدل‌های کلاس پنهان بیزی برای داده‌های طولی با صفر اضافی
• 87. فرمول‌بندی مدل: ترکیب مدل‌های ZI/Hurdle و LCM
• 88. مدل‌سازی همزمان زیر گروه‌ها و مکانیزم صفر اضافی
• 89. ساختار سلسله مراتبی مدل و توزیع‌های پیشین مربوطه
• 90. پیاده‌سازی مدل‌های پیچیده در Stan: نکات و ترفندها
• 91. نکات مربوط به کدنویسی مدل‌های خاص در Stan
• 92. بهینه‌سازی تنظیمات MCMC برای مدل‌های با ابعاد بالا
• 93. تشخیص و رفع مشکلات همگرایی در مدل‌های پیچیده
• 94. اعتبارسنجی مدل و ارزیابی تناسب با داده‌ها
• 95. تفسیر پارامترهای کلاس پنهان در حضور صفر اضافی
• 96. مدل‌سازی اثرات کوواریت بر عضویت کلاس و پاسخ‌های طولی
• 97. مقدمه‌ای بر مدل مقاله: "A Latent Class Bayesian Model for Multivariate Longitudinal Outcomes with Excess Zeros"
• 98. چارچوب کلی مدل مقاله و مفروضات آن
• 99. مدل‌سازی همزمان چندین متغیر پاسخ با صفر اضافی در هر کلاس پنهان
• 100. فرمول‌بندی دقیق بخش چند متغیره در هر کلاس پنهان

مدل‌سازی پیشرفته داده‌های طولی: تحلیلی عمیق برای پژوهشگران علوم سلامت

معرفی دوره

در دنیای پرشتاب امروز، حجم عظیمی از داده‌های طولی در حال تولید است. این داده‌ها، که تغییرات یک فرد یا پدیده را در طول زمان ثبت می‌کنند، کلید درک الگوها و روندهای پنهان هستند. اما تحلیل این داده‌ها، به ویژه زمانی که با مقادیر صفر اضافی و چند متغیره بودن مواجه می‌شویم، نیازمند دانش و ابزارهای تخصصی است.

دوره "مدل‌سازی پیشرفته داده‌های طولی چند متغیره با مقادیر صفر اضافی با رویکرد بیزی و کاربرد در علوم سلامت" به شما کمک می‌کند تا این چالش را با موفقیت پشت سر بگذارید. این دوره با الهام از تحقیقات پیشرو در زمینه مدل‌سازی داده‌های طولی، از جمله مقاله علمی "A Latent Class Bayesian Model for Multivariate Longitudinal Outcomes with Excess Zeros" طراحی شده است. در این مقاله، محققان یک مدل بیزی کلاس پنهان را برای داده‌های چند متغیره با مقادیر صفر اضافی ارائه داده‌اند و کاربرد آن را در تحلیل داده‌های مربوط به سلامت و بازنشستگی نشان داده‌اند. این دوره با ارائه مفاهیم کلیدی و ابزارهای عملی، شما را قادر می‌سازد تا تحلیل‌های پیچیده را به سادگی انجام دهید و بینش‌های ارزشمندی از داده‌های خود استخراج کنید.

درباره دوره

این دوره جامع، شما را با مدل‌های پیشرفته برای تحلیل داده‌های طولی چند متغیره که دارای مقادیر صفر اضافی هستند، آشنا می‌کند. ما از رویکرد بیزی برای مدل‌سازی عدم قطعیت‌ها و انتخاب بهترین مدل استفاده خواهیم کرد. محتوای دوره به طور خاص با توجه به کاربردهای این مدل‌ها در علوم سلامت طراحی شده است، اما اصول و روش‌های ارائه شده در آن، قابل استفاده در زمینه‌های مختلفی مانند اقتصاد، علوم اجتماعی و مهندسی نیز هستند. در طول دوره، با مفاهیم اساسی مدل‌های کلاس پنهان (Latent Class Models) آشنا می‌شوید و یاد می‌گیرید که چگونه این مدل‌ها را برای تحلیل داده‌های پیچیده طولی به کار ببرید. همچنین با استفاده از نرم‌افزارهای آماری قدرتمند، تجربه عملی در زمینه مدل‌سازی و تحلیل داده‌ها کسب خواهید کرد.

موضوعات کلیدی

• مقدمه‌ای بر داده‌های طولی و چالش‌های مدل‌سازی آن‌ها
• آشنایی با رویکرد بیزی در مدل‌سازی آماری
• مدل‌های رگرسیونی برای داده‌های طولی (Mixed-Effects Models)
• مدل‌های کلاس پنهان (Latent Class Models) برای داده‌های طولی
• مدل‌سازی داده‌های طولی چند متغیره
• مدل‌سازی مقادیر صفر اضافی در داده‌های طولی (Zero-Inflated Models)
• انتخاب متغیر با استفاده از روش‌های انقباض (Shrinkage Methods)
• کاربرد مدل‌های پیشرفته در تحلیل داده‌های علوم سلامت
• ارزیابی و تفسیر نتایج مدل
• اجرای مدل‌ها در نرم‌افزارهای آماری (R, Stan, JAGS)

مخاطبان دوره

این دوره برای افراد زیر مناسب است:

• پژوهشگران و دانشجویان تحصیلات تکمیلی در رشته‌های علوم سلامت، آمار، اقتصاد، علوم اجتماعی و مهندسی
• تحلیلگران داده و متخصصان علم داده که به دنبال ارتقای مهارت‌های خود در زمینه مدل‌سازی داده‌های طولی هستند
• افرادی که به دنبال درک عمیق‌تری از روش‌های آماری پیشرفته و کاربرد آن‌ها در حل مسائل واقعی هستند
• مدیران و تصمیم‌گیرندگانی که به دنبال استفاده از داده‌ها برای بهبود عملکرد سازمان خود هستند

چرا این دوره را بگذرانیم؟

با گذراندن این دوره، شما:

• مهارت‌های لازم برای تحلیل داده‌های طولی چند متغیره با مقادیر صفر اضافی را کسب خواهید کرد.
• با رویکرد بیزی در مدل‌سازی آماری آشنا خواهید شد و قادر خواهید بود مدل‌های پیچیده را به راحتی پیاده‌سازی کنید.
• دانش خود را در زمینه مدل‌های کلاس پنهان (Latent Class Models) گسترش خواهید داد و یاد می‌گیرید که چگونه از آن‌ها برای شناسایی الگوهای پنهان در داده‌های خود استفاده کنید.
• تجربه عملی در زمینه استفاده از نرم‌افزارهای آماری قدرتمند مانند R, Stan, JAGS کسب خواهید کرد.
• می‌توانید تحلیل‌های دقیق‌تری را در زمینه‌های مختلف علوم سلامت انجام دهید و به سوالات پژوهشی پیچیده پاسخ دهید.
• در بازار کار رقابتی امروز، یک مزیت رقابتی کسب خواهید کرد و فرصت‌های شغلی بهتری خواهید داشت.

سرفصل‌های دوره

این دوره شامل بیش از 100 سرفصل جامع است که به طور کامل تمامی جنبه‌های مدل‌سازی پیشرفته داده‌های طولی را پوشش می‌دهد. در اینجا به برخی از مهم‌ترین سرفصل‌ها اشاره می‌کنیم:

• مقدمه‌ای بر داده‌های طولی و انواع آن‌ها
• آمار توصیفی برای داده‌های طولی
• مفهوم وابستگی در داده‌های طولی
• مقدمه‌ای بر رویکرد بیزی و مزایای آن
• قضیه بیز و کاربردهای آن
• توزیع‌های پیشین و پسین
• روش‌های نمونه‌گیری زنجیره مارکوف مونت کارلو (MCMC)
• مدل‌های رگرسیونی خطی با اثرات تصادفی (Linear Mixed-Effects Models)
• مدل‌های رگرسیونی غیرخطی با اثرات تصادفی (Nonlinear Mixed-Effects Models)
• مدل‌های تعمیم‌یافته خطی با اثرات تصادفی (Generalized Linear Mixed-Effects Models)
• مقدمه‌ای بر مدل‌های کلاس پنهان (Latent Class Models)
• انتخاب تعداد کلاس‌ها در مدل‌های کلاس پنهان
• تفسیر نتایج مدل‌های کلاس پنهان
• مدل‌های کلاس پنهان برای داده‌های طولی
• مدل‌سازی تغییر کلاس در طول زمان (Latent Transition Analysis)
• مدل‌سازی داده‌های طولی چند متغیره با مدل‌های رگرسیونی
• مدل‌سازی داده‌های طولی چند متغیره با مدل‌های کلاس پنهان
• آشنایی با انواع مقادیر صفر اضافی
• مدل‌های Zero-Inflated Poisson (ZIP)
• مدل‌های Zero-Inflated Negative Binomial (ZINB)
• مدل‌های Hurdle
• مدل‌سازی مقادیر صفر اضافی در داده‌های طولی
• انتخاب متغیر با استفاده از روش‌های انقباض (Lasso, Ridge, Elastic Net)
• روش‌های انتخاب مدل بیزی (Bayesian Model Selection)
• ارزیابی برازش مدل (Model Fit)
• روش‌های تشخیص outlier
• کاربرد مدل‌ها در تحلیل داده‌های بیماری‌های مزمن
• کاربرد مدل‌ها در تحلیل داده‌های اقتصادی سلامت
• کاربرد مدل‌ها در تحلیل داده‌های روانشناسی
• پیاده‌سازی مدل‌ها در R با استفاده از پکیج‌های lme4, glmmTMB, MCMCpack
• پیاده‌سازی مدل‌ها در Stan
• پیاده‌سازی مدل‌ها در JAGS
• نوشتن گزارش و تفسیر نتایج تحلیل‌ها
• مطالعات موردی و مثال‌های کاربردی