کتاب صوتی MicroTSP: رگرسیون و پیش‌بینی با Apple II (مقدماتی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره MicroTSP: رگرسیون و پیش‌بینی با Apple II (مقدماتی)

موضوع کلی: اقتصادسنجی کاربردی و پیش‌بینی

موضوع میانی: مدل‌سازی رگرسیونی و تحلیل سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه بر اقتصادسنجی کاربردی
• 2. اهمیت رگرسیون در اقتصاد
• 3. مفاهیم اساسی در تحلیل سری‌های زمانی
• 4. معرفی نرم‌افزار MicroTSP
• 5. نصب و راه‌اندازی MicroTSP
• 6. آشنایی با رابط کاربری MicroTSP
• 7. ورود داده‌ها در MicroTSP
• 8. ذخیره و بازیابی داده‌ها
• 9. مقدمه بر مدل رگرسیون خطی ساده
• 10. فرضیات مدل رگرسیون خطی ساده
• 11. تخمین پارامترها (OLS)
• 12. تفسیر ضرایب رگرسیون
• 13. آماره‌های خوب بودن برازش (R-squared)
• 14. خطای استاندارد تخمین (Standard Error of Regression)
• 15. آزمون‌های فرض آماری (t-test)
• 16. آزمون F برای معناداری کلی مدل
• 17. تحلیل باقیمانده‌ها (Residual Analysis)
• 18. تشخیص همبستگی سریالی در باقیمانده‌ها
• 19. آزمون Durbin-Watson
• 20. اصلاح همبستگی سریالی (Cochrane-Orcutt)
• 21. مدل رگرسیون خطی چندگانه
• 22. مفهوم متغیرهای توضیحی
• 23. تخمین مدل رگرسیون خطی چندگانه
• 24. تفسیر ضرایب در مدل چندگانه
• 25. مشکل هم‌خطی (Multicollinearity)
• 26. تشخیص و رفع هم‌خطی
• 27. متغیرهای مجازی (Dummy Variables)
• 28. استفاده از متغیرهای مجازی برای داده‌های کیفی
• 29. تعامل متغیرهای مجازی
• 30. مدل‌های پویا (Dynamic Models)
• 31. تاخیر در متغیرهای توضیحی
• 32. تاخیر در متغیر وابسته
• 33. مدل‌های تصحیح خطا (Error Correction Models)
• 34. مقدمه بر تحلیل سری‌های زمانی
• 35. انواع سری‌های زمانی
• 36. مفهوم روند (Trend)
• 37. مفهوم فصلی بودن (Seasonality)
• 38. مفهوم دوره‌ای بودن (Cyclicity)
• 39. مفهوم نوسانات تصادفی (Random Fluctuations)
• 40. نمودار سری زمانی
• 41. تحلیل بصری سری زمانی
• 42. خنثی‌سازی (Smoothing) سری‌های زمانی
• 43. میانگین متحرک ساده (Simple Moving Average)
• 44. میانگین متحرک وزنی (Weighted Moving Average)
• 45. استفاده از میانگین متحرک برای حذف نوسانات
• 46. پیش‌بینی با استفاده از میانگین متحرک
• 47. تحلیل فصلی
• 48. روش تجزیه فصلی (Additive Decomposition)
• 49. روش تجزیه ضربی (Multiplicative Decomposition)
• 50. محاسبه شاخص‌های فصلی
• 51. حذف اثرات فصلی
• 52. مدل‌های ARIMA
• 53. مفهوم خودهمبستگی (Autocorrelation - ACF)
• 54. مفهوم خودهمبستگی جزئی (Partial Autocorrelation - PACF)
• 55. مقدمه بر مدل‌های AR (Autoregressive)
• 56. مقدمه بر مدل‌های MA (Moving Average)
• 57. ترکیب AR و MA: مدل ARMA
• 58. مدل ARIMA (Autoregressive Integrated Moving Average)
• 59. تعیین مرتبه مدل ARIMA (p, d, q)
• 60. تخمین پارامترهای مدل ARIMA
• 61. تشخیص معناداری پارامترها
• 62. بررسی باقیمانده‌های مدل ARIMA
• 63. پیش‌بینی با مدل ARIMA
• 64. ارزیابی عملکرد مدل پیش‌بینی
• 65. شاخص‌های ارزیابی پیش‌بینی (RMSE, MAE)
• 66. خطای پیش‌بینی (Forecast Error)
• 67. فاصله اطمینان برای پیش‌بینی
• 68. مدل‌های رگرسیونی برای پیش‌بینی سری‌های زمانی
• 69. استفاده از متغیرهای توضیحی در مدل‌های سری زمانی
• 70. مدل‌های با روند خطی و نمایی
• 71. مدل‌های با متغیرهای مجازی فصلی
• 72. پیش‌بینی با مدل‌های رگرسیونی با سری زمانی
• 73. استفاده از توابع در MicroTSP
• 74. توابع آماری پایه
• 75. توابع مربوط به سری‌های زمانی
• 76. توابع مربوط به رگرسیون
• 77. توابع تحلیل داده
• 78. مثال‌های کاربردی رگرسیون
• 79. پیش‌بینی مصرف خانوار
• 80. تحلیل تقاضا برای کالا
• 81. مدل‌سازی هزینه تولید
• 82. مثال‌های کاربردی سری‌های زمانی
• 83. پیش‌بینی فروش
• 84. پیش‌بینی شاخص بورس
• 85. پیش‌بینی آب و هوا (مقدماتی)
• 86. تحلیل داده‌های اقتصادی واقعی
• 87. مطالعه موردی: مدل‌سازی تورم
• 88. مطالعه موردی: پیش‌بینی بیکاری
• 89. مطالعه موردی: تحلیل رشد اقتصادی
• 90. ملاحظات پیشرفته در رگرسیون
• 91. ناهمسانی واریانس (Heteroskedasticity)
• 92. تشخیص ناهمسانی واریانس (Breusch-Pagan, White)
• 93. رفع ناهمسانی واریانس
• 94. نرمال نبودن توزیع باقیمانده‌ها
• 95. مدل‌های رگرسیونی غیرخطی (مقدماتی)
• 96. مقدمه بر مدل‌های Logit و Probit (کاربردها)
• 97. اقتصادسنجی در عمل با MicroTSP
• 98. خلاصه آموخته‌ها
• 99. نکات کلیدی و ترفندها
• 100. مراحل کلی یک پروژه اقتصادسنجی