فلش‌کارت‌های آموزشی قدرت شناسایی اثرات درمان توزیعی: ترکیب داده‌های آزمایشی و مشاهده‌ای برای تخمین‌های دقیق‌تر

دوره آموزشی: قدرت شناسایی اثرات درمان توزیعی قدرت شناسایی اثرات درمان توزیعی ترکیب داده‌های آزمایشی و مشاهده‌ای برای تخمین‌های دقیق‌تر و تصمیم‌گیری‌های هوشمندانه‌تر معرفی دوره: انقلابی در تحلیل‌های عل...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 99,988 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره قدرت شناسایی اثرات درمان توزیعی: ترکیب داده‌های آزمایشی و مشاهده‌ای برای تخمین‌های دقیق‌تر

موضوع کلی: اقتصادسنجی و روش‌های تخمین علّی

موضوع میانی: تخمین اثرات درمان با استفاده از داده‌های ترکیبی

📋 سرفصل‌های دوره

  • 1. مقدمه: چرا تخمین علّی اهمیت دارد؟
  • 2. مفهوم علّیت و مدل‌های علّی
  • 3. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
  • 4. تعریف اثر درمان فردی (Individual Treatment Effect)
  • 5. اثر درمان میانگین (Average Treatment Effect - ATE)
  • 6. اثر درمان بر روی گروه درمان‌شده (Average Treatment Effect on the Treated - ATT)
  • 7. مقدمه‌ای بر اثرات درمان توزیعی (Distributional Treatment Effects - DTEs)
  • 8. اثرات درمان کوانتایل (Quantile Treatment Effects - QTEs)
  • 9. مزایای بررسی اثرات توزیعی در مقابل میانگین
  • 10. کارآزمایی‌های کنترل‌شده تصادفی (RCTs): اصول و طراحی
  • 11. قدرت و محدودیت‌های RCTs: اعتبار داخلی
  • 12. محدودیت‌های RCTs: اعتبار بیرونی و قابلیت تعمیم
  • 13. داده‌های مشاهده‌ای: ویژگی‌ها و اهمیت
  • 14. چالش‌های داده‌های مشاهده‌ای در تخمین علّی
  • 15. مفهوم شناسایی (Identification) در اقتصادسنجی علّی
  • 16. سوگیری متغیرهای مخدوش‌کننده (Confounding Bias)
  • 17. سوگیری انتخاب (Selection Bias) و پیامدهای آن
  • 18. فرض استقلال شرطی (Conditional Independence Assumption - CIA)
  • 19. اهمیت متغیرهای کنترل و کوواریت‌ها
  • 20. رگرسیون برای تخمین اثرات درمان: تنظیم برای کوواریت‌ها
  • 21. فرض ناحیه مشترک پشتیبانی (Common Support/Overlap Assumption)
  • 22. امتیاز تمایل (Propensity Score) و تعریف آن
  • 23. تخمین امتیاز تمایل: مدل‌های لاجیت و پروبیت
  • 24. تطبیق بر اساس امتیاز تمایل (Propensity Score Matching - PSM)
  • 25. متعادل‌سازی کوواریت‌ها پس از تطبیق
  • 26. روش‌های وارون احتمال وزن‌دهی درمان (IPW - Inverse Probability Weighting)
  • 27. تخمین‌گرهای دوگانه مقاوم (Doubly Robust Estimators)
  • 28. رگرسیون با ماتریس تطبیق
  • 29. تحلیل حساسیت در داده‌های مشاهده‌ای
  • 30. معرفی روش‌های ناپارامتریک در اقتصادسنجی علّی
  • 31. چرا از میانگین فراتر برویم؟ مثال‌های کاربردی DTE
  • 32. تعریف رسمی تابع اثر درمان توزیعی
  • 33. تعریف رسمی تابع اثر درمان کوانتایل (QTE)
  • 34. تابع توزیع تجربی (Empirical Distribution Function)
  • 35. تخمین‌های ناپارامتریک توابع توزیع
  • 36. شناسایی DTEs و QTEs: چالش‌های اولیه
  • 37. شناسایی QTEs تحت فرض استقلال شرطی
  • 38. روش‌های رگرسیون کوانتایل (Quantile Regression) به عنوان ابزار
  • 39. محدودیت‌های رگرسیون کوانتایل برای شناسایی QTEs
  • 40. نقش کوواریت‌ها در شناسایی DTEs/QTEs
  • 41. عدم همگنی اثرات درمان (Treatment Effect Heterogeneity)
  • 42. اهمیت درک اثرات بر گروه‌های مختلف توزیع
  • 43. گرافیک‌های توزیع و نمودارهای کوانتایل
  • 44. معیارهای تفاوت توزیع‌ها: Kullback-Leibler، Wasserstein
  • 45. ارزیابی سیاست‌ها بر اساس اثرات توزیعی
  • 46. انگیزه‌های ترکیب داده‌ها: رفع محدودیت‌های هر منبع
  • 47. مقاله الهام‌بخش: ایده اصلی "قدرت شناسایی" چیست؟
  • 48. چگونه داده‌های آزمایشی اعتبار داخلی را تضمین می‌کنند؟
  • 49. چگونه داده‌های مشاهده‌ای اعتبار بیرونی را افزایش می‌دهند؟
  • 50. سناریوهای رایج برای ترکیب داده‌ها
  • 51. ترکیب برای بهبود تخمین ATE
  • 52. ترکیب برای بهبود شناسایی DTEs و QTEs
  • 53. ساختار داده‌های ترکیبی: داده‌های برشی (Cross-sectional) متفاوت
  • 54. فرض‌های شناسایی برای ترکیب داده‌های آزمایشی و مشاهده‌ای
  • 55. فرض قابلیت انتقال (Transportability/Generalizability) از RCT به جامعه بزرگتر
  • 56. نقش متغیرهای مشترک (Common Covariates) بین دو مجموعه داده
  • 57. استراتژی‌های کلی برای ترکیب داده‌ها
  • 58. تخمین‌گرهای مبتنی بر وزن‌دهی (Weighting Estimators) در داده‌های ترکیبی
  • 59. ترکیب داده‌ها از طریق تطبیق/حاشیه‌سازی (Matching/Marginalization)
  • 60. چارچوب نظری برای شناسایی غیرپارامتریک DTEs با داده‌های ترکیبی
  • 61. تخمین DTEs با استفاده از دو نمونه مجزا (Two-Sample DTE Estimation)
  • 62. تخمین QTEs با داده‌های ترکیبی: روش‌های پیشرفته
  • 63. تخمین توابع کوانتایل شرطی با داده‌های ترکیبی
  • 64. کاربرد روش‌های یادگیری ماشین در شناسایی DTEs
  • 65. یادگیری ماشینی برای تخمین امتیاز تمایل و توابع پیامد
  • 66. درختان و جنگل‌های علّی برای اثرات ناهمگن (Causal Forests for Heterogeneous Effects)
  • 67. تخمین اثرات درمانی مشروط (Conditional Treatment Effects)
  • 68. تخمین اثرات درمان توزیعی مشروط (CDTEs)
  • 69. استفاده از روش‌های ناپارامتریک برای تخمین CDTEs
  • 70. شناسایی CDTEs با داده‌های آزمایشی و مشاهده‌ای
  • 71. شناسایی CDTEs در سناریوهای پیچیده‌تر
  • 72. نقش متغیرهای ابزاری (Instrumental Variables) در شناسایی DTEs (مقدماتی)
  • 73. شناسایی ATE/QTEs با متغیرهای ابزاری و داده‌های ترکیبی
  • 74. مقایسه روش‌های مختلف ترکیب داده‌ها: مزایا و معایب
  • 75. روش‌های کنترل ناپارامتریک برای اثرات توزیعی
  • 76. روش‌های مبتنی بر بیشینه احتمال (Maximum Likelihood) در داده‌های ترکیبی
  • 77. رویکردهای بیزی (Bayesian Approaches) برای ترکیب داده‌ها
  • 78. مسائل نمونه‌گیری و استنباط (Sampling and Inference) در داده‌های ترکیبی
  • 79. بوت‌استرپینگ (Bootstrapping) برای استنباط در QTEs/DTEs
  • 80. تحلیل حساسیت پیشرفته برای ترکیب داده‌ها
  • 81. نرم‌افزارهای پیاده‌سازی: R و Python برای اقتصادسنجی علّی
  • 82. پکیج‌های R برای تخمین اثرات درمان (مانند `CausalImpact`, `grf`)
  • 83. پکیج‌های Python برای اثرات درمان (مانند `EconML`, `DoWhy`)
  • 84. مطالعه موردی: ارزیابی یک برنامه آموزشی با داده‌های ترکیبی
  • 85. مطالعه موردی: اثر یک سیاست بهداشتی بر توزیع سلامت
  • 86. اعتبار داخلی در مقابل اعتبار بیرونی: تعادل بهینه
  • 87. ملاحظات اخلاقی در استفاده از داده‌های ترکیبی
  • 88. ارزیابی قدرت شناسایی در طراحی مطالعه
  • 89. نقش قابلیت انتقال کوواریت‌ها
  • 90. چالش‌های مقیاس‌گذاری و ابعاد بالای داده‌ها
  • 91. تشخیص مدل اشتباه و پیامدهای آن
  • 92. بررسی ناهمگنی اثرات درمان در زیرگروه‌ها
  • 93. تخمین DTEs در حضور پیامدهای چندگانه
  • 94. اثرات درمان پویا (Dynamic Treatment Effects) و DTEs
  • 95. میانجی‌گری (Mediation) و تخمین DTEs
  • 96. مرزهای جدید در شناسایی DTEs با داده‌های ترکیبی
  • 97. محدودیت‌های رویکردهای کنونی و مسیرهای تحقیقاتی آینده
  • 98. توصیه‌های سیاستی مبتنی بر تحلیل DTEs
  • 99. جمع‌بندی: آینده اقتصادسنجی علّی با داده‌های ترکیبی
  • 100. منابع و مطالعه بیشتر
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.

تصویر نمونه اول از سامانه آموزشی و فلش‌کارت‌ها
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه دوم از سامانه آموزشی و فلش‌کارت‌ها
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه سوم از سامانه آموزشی و فلش‌کارت‌ها
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه چهارم از سامانه آموزشی و فلش‌کارت‌ها
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 distributional treatment effects Econometrics Experimental Data Hybrid Data Observational Data Treatment Effect Estimation اثرات درمان اثرات درمان توزیعی اقتصادسنجی تخمین اثرات درمان تخمین علّی داده‌های آزمایشی داده‌های ترکیبی داده‌های مشاهده‌ای

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.