کتاب صوتی برآورد دقیق و بدون تورش اثرات مداخله: رویکرد نوین تعدیل رگرسیونی (LOORA)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره برآورد دقیق و بدون تورش اثرات مداخله: رویکرد نوین تعدیل رگرسیونی (LOORA)

موضوع کلی: استنتاج سببی و علم داده

موضوع میانی: تحلیل کارآزمایی‌های بالینی و تصادفی‌سازی شده (RCTs)

📋 سرفصل‌های دوره

• 1. مبانی استنتاج سببی: معرفی و مفاهیم کلیدی
• 2. تفاوت همبستگی و علیت
• 3. مقدمه‌ای بر کارآزمایی‌های بالینی تصادفی‌سازی شده (RCTs)
• 4. اهمیت تصادفی‌سازی در RCTs
• 5. سوگیری‌های رایج در RCTs و روش‌های مقابله با آن‌ها
• 6. مروری بر معیارهای ارزیابی در RCTs (ATE, ATT, ITT)
• 7. اثر متوسط مداخله (ATE): تعریف و تفسیر
• 8. اثر مداخله بر افراد درمان شده (ATT): تعریف و تفسیر
• 9. تحلیل قصد به درمان (ITT): تعریف و تفسیر
• 10. نقش متغیرهای کمکی (Confounders) در استنتاج سببی
• 11. شناسایی متغیرهای کمکی: روش‌های آماری و دانش تخصصی
• 12. مبانی رگرسیون خطی: مرور مفاهیم کلیدی
• 13. رگرسیون خطی چندگانه: مدل‌سازی روابط پیچیده
• 14. بررسی مفروضات رگرسیون خطی و روش‌های تشخیص نقض آن‌ها
• 15. تبدیل داده‌ها برای بهبود برازش مدل رگرسیونی
• 16. رگرسیون لجستیک: مدل‌سازی پیامدهای دودویی
• 17. رگرسیون پواسون: مدل‌سازی پیامدهای شمارشی
• 18. مفهوم تعدیل رگرسیونی: کاهش واریانس و افزایش دقت
• 19. تعدیل رگرسیونی در RCTs: اصول و کاربردها
• 20. مزایای تعدیل رگرسیونی نسبت به تحلیل‌های ساده
• 21. معرفی مقاله "Unbiased Regression-Adjusted Estimation of Average Treatment Effects"
• 22. بررسی خلاصه مقاله و اهداف اصلی تحقیق
• 23. مفاهیم آماری مورد استفاده در مقاله
• 24. مرور روش‌های سنتی برآورد ATE در RCTs
• 25. محدودیت‌های روش‌های سنتی و نیاز به روش‌های جدید
• 26. تعدیل رگرسیونی خطی: رویکرد ساده و کاربردی
• 27. تعدیل رگرسیونی با متغیرهای تعاملی (Interaction terms)
• 28. انتخاب متغیرهای مناسب برای تعدیل رگرسیونی
• 29. تأثیر انتخاب متغیر بر برآورد ATE
• 30. برآوردگر LOORA (Linear Outcome-Oriented Regression Adjustment): معرفی
• 31. مبانی نظری برآوردگر LOORA
• 32. اثبات نااریبی (Unbiasedness) برآوردگر LOORA
• 33. محاسبه واریانس و خطای استاندارد برآوردگر LOORA
• 34. مقایسه LOORA با روش‌های سنتی تعدیل رگرسیونی
• 35. تعدیل رگرسیونی غیرخطی: بررسی مدل‌های پیشرفته
• 36. رگرسیون GAM (Generalized Additive Models)
• 37. رگرسیون MARS (Multivariate Adaptive Regression Splines)
• 38. رگرسیون بر اساس درخت‌های تصمیم (Decision Trees)
• 39. رگرسیون جنگل تصادفی (Random Forests)
• 40. رگرسیون ماشین بردار پشتیبان (Support Vector Regression)
• 41. انتخاب مدل رگرسیونی مناسب بر اساس ویژگی‌های داده
• 42. استفاده از معیارهای ارزیابی مدل (RMSE, R-squared, MAE)
• 43. اعتبارسنجی متقابل (Cross-validation) برای انتخاب مدل
• 44. بررسی اثرات تعاملی (Interaction Effects) در مدل‌های رگرسیونی
• 45. تشخیص و تفسیر اثرات تعاملی
• 46. مدل‌سازی اثرات تعاملی با استفاده از متغیرهای دامی (Dummy variables)
• 47. اهمیت برهمکنش‌ها در درک اثرات مداخله
• 48. تأثیر ناهمگونی اثرات درمان (Heterogeneous Treatment Effects)
• 49. بررسی زیرگروه‌های جمعیتی با اثرات درمانی متفاوت
• 50. استفاده از رگرسیون برای شناسایی زیرگروه‌ها
• 51. تعدیل رگرسیونی با استفاده از داده‌های مشاهده‌ای (Observational data)
• 52. تطبیق (Matching) و وزن‌دهی (Weighting) در داده‌های مشاهده‌ای
• 53. استفاده از Propensity Score Matching (PSM)
• 54. استفاده از Inverse Probability of Treatment Weighting (IPTW)
• 55. متغیرهای ابزاری (Instrumental Variables) و استنتاج سببی
• 56. تشخیص و اعتبارسنجی متغیرهای ابزاری
• 57. استفاده از متغیرهای ابزاری برای برآورد ATE
• 58. تحلیل حساسیت (Sensitivity Analysis) برای ارزیابی استحکام نتایج
• 59. بررسی تأثیر مفروضات بر نتایج استنتاج سببی
• 60. روش‌های تحلیل حساسیت برای مقابله با سوگیری‌های پنهان
• 61. بررسی موارد نقض فرضیات تصادفی‌سازی
• 62. روش‌های مقابله با عدم تعادل بین گروه‌های درمانی
• 63. استفاده از روش‌های Bayesian برای برآورد ATE
• 64. مبانی آمار Bayesian و مدل‌سازی سلسله مراتبی
• 65. مزایای روش‌های Bayesian در استنتاج سببی
• 66. تفسیر و گزارش نتایج تحلیل‌های تعدیل رگرسیونی
• 67. ارائه نتایج به صورت واضح و قابل فهم
• 68. تأکید بر عدم قطعیت‌ها و محدودیت‌های تحلیل
• 69. استفاده از نمودارها و جداول برای نمایش نتایج
• 70. ملاحظات اخلاقی در کارآزمایی‌های بالینی و استنتاج سببی
• 71. حفظ حریم خصوصی شرکت‌کنندگان
• 72. جلوگیری از سوگیری در گزارش نتایج
• 73. کاربرد LOORA در مطالعات دنیای واقعی
• 74. مثال‌هایی از کاربرد LOORA در حوزه‌های مختلف (پزشکی، اقتصاد، علوم اجتماعی)
• 75. محدودیت‌ها و چالش‌های استفاده از LOORA
• 76. نرم‌افزارهای آماری برای اجرای LOORA (R, Python, SAS)
• 77. پیاده‌سازی LOORA در R: آموزش گام به گام
• 78. پیاده‌سازی LOORA در Python: آموزش گام به گام
• 79. مقایسه عملکرد LOORA با سایر روش‌ها در شبیه‌سازی داده‌ها
• 80. شبیه‌سازی داده‌ها برای بررسی دقت و نااریبی LOORA
• 81. بررسی تأثیر حجم نمونه بر عملکرد LOORA
• 82. تکنیک‌های پیشرفته برای بهبود عملکرد LOORA
• 83. استفاده از یادگیری ماشین برای انتخاب متغیرهای تعدیل رگرسیونی
• 84. تعدیل رگرسیونی با استفاده از شبکه‌های عصبی
• 85. ملاحظات مربوط به داده‌های بزرگ (Big Data) در استنتاج سببی
• 86. مقابله با داده‌های گم‌شده (Missing Data) در RCTs
• 87. روش‌های مختلف مقابله با داده‌های گم‌شده (Imputation, Weighting)
• 88. تحلیل حساسیت به داده‌های گم‌شده
• 89. برآورد ATE در حضور داده‌های censored
• 90. مدل‌سازی زمان بقا (Survival Analysis) و استنتاج سببی
• 91. استفاده از Cox Regression برای تعدیل رگرسیونی
• 92. روش‌های پیشرفته برای تحلیل داده‌های Survival censored
• 93. بررسی اثرات مداخله در بازه‌های زمانی مختلف
• 94. تحلیل رویدادهای مکرر (Recurrent Events)
• 95. تطبیق (Matching) در داده‌های زمانی
• 96. برآورد ATE با استفاده از یادگیری علی (Causal Machine Learning)
• 97. استفاده از meta-learners (S-learner, T-learner, X-learner)
• 98. رگرسیون کمترین مربعات تعمیم‌یافته (Generalized Least Squares - GLS)
• 99. بررسی اثرات خوشه‌ای (Clustered Data)
• 100. مدل‌سازی اثرات تصادفی (Random Effects Models)