فلش‌کارت‌های آموزشی RDD پیشرفته: مروری بر تکنیک‌های نوین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره RDD پیشرفته: مروری بر تکنیک‌های نوین

موضوع کلی: اقتصادسنجی کاربردی

موضوع میانی: رگرسیون ناپیوستگی (Regression Discontinuity Design - RDD)

📋 سرفصل‌های دوره

• 1. رگرسیون داده‌های بزرگ: یک نمای کلی
• 2. مفاهیم پایه رگرسیون: خطی، چندمتغیره
• 3. ارزیابی مدل‌های رگرسیون: معیارها و روش‌ها
• 4. انتخاب ویژگی‌ها: روش‌های فیلتر وWrapper
• 5. رگرسیون چندجمله ای: کاربردها و محدودیت‌ها
• 6. رگرسیون Ridge: مقابله با هم‌خطی
• 7. رگرسیون Lasso: انتخاب ویژگی‌ها با جریمه
• 8. رگرسیون Elastic Net: ترکیب Ridge و Lasso
• 9. رگرسیون پلی‌نومیال: مدل‌سازی روابط غیرخطی
• 10. رگرسیون غیرخطی: مدل‌های پارامتریک و غیرپارامتریک
• 11. مدل‌های تعمیم‌یافته: خانواده توزیع‌ها
• 12. مدل‌های سلسله مراتبی: داده‌های گروه‌بندی شده
• 13. رگرسیون با داده‌های متوالی: مدل‌های سری زمانی
• 14. رگرسیون در داده‌های مکانی: تحلیل الگوهای مکانی
• 15. روش‌های Bootstrap: تخمین بازه‌های اطمینان
• 16. تست فرضیه‌های رگرسیونی: آزمودن معناداری ضرایب
• 17. تحلیل حساسیت: تاثیر تغییرات در داده‌ها
• 18. روش‌های اعتبارسنجی متقاطع: ارزیابی عملکرد مدل
• 19. رگرسیون با داده‌های از دست رفته: روش‌های جایگزینی
• 20. رگرسیون با متغیرهای طبقه‌ای: کدگذاری یک‌داهشی و چندداهشی
• 21. رگرسیون در داده‌های بزرگ: چالش‌ها و راهکارها
• 22. شبکه‌های عصبی برای رگرسیون: مدل‌های چندلایه
• 23. درخت‌های تصمیم برای رگرسیون: الگوریتم‌های ID3 و C4.5
• 24. ماشین‌های بردار پشتیبان برای رگرسیون: SVM
• 25. تقویت کننده گرادیانی: XGBoost و LightGBM
• 26. رگرسیون Bayesian: تخمین احتمالی پارامترها
• 27. رگرسیون با استفاده از روش‌های مبتنی بر Kernel: Gaussian Kernel
• 28. مدل‌های توزیع شده: Spark MLlib و TensorFlow
• 29. رگرسیون غیرپارامتریک: تخمین توابع نامشخص
• 30. رگرسیون لوجستیک: مدل‌سازی احتمال‌ها
• 31. تحلیل بقا: مدل‌های Kaplan-Meier و Cox
• 32. رگرسیون با متغیرهای تعاملی: بررسی اثر متقابل
• 33. رگرسیون چندسطحی: تحلیل داده‌های تودرتو
• 34. رگرسیون با متغیرهای وزن‌دار: اهمیت داده‌ها
• 35. رگرسیون با داده‌های نامتعادل: روش‌های نمونه‌گیری
• 36. رگرسیون با داده‌های متراکم: کاهش ابعاد
• 37. رگرسیون مقاوم: مقابله با داده‌های پرت
• 38. تحلیل سری زمانی: مدل‌های ARIMA
• 39. مدل‌سازی تغییرات فصلی: Seasonal Decomposition
• 40. رگرسیون برای پیش‌بینی: کاربردهای تجاری
• 41. رگرسیون و هوش مصنوعی: ترکیب مدل‌ها