کتاب صوتی رازگشایی از علیت: کتاب جامع استنتاج علّی به روش جودیا پرل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رازگشایی از علیت: دوره جامع استنتاج علّی به روش جودیا پرل

موضوع کلی: استنتاج آماری پیشرفته

موضوع میانی: مبانی استنتاج علّی

📋 سرفصل‌های دوره

• 1. چرا علیت مهم است؟ مقدمه‌ای بر استنتاج علّی
• 2. همبستگی علیت نیست: مقدمه‌ای بر یک اشتباه رایج
• 3. نردبان علیت جودیا پرل: سه سطح پرسش‌های علّی
• 4. یادآوری مفاهیم احتمال: احتمال شرطی و قانون بیز
• 5. پارادوکس سیمپسون: چگونه داده‌های تجمعی ما را فریب می‌دهند
• 6. متغیرهای مخدوشگر (Confounders) چه هستند و چرا اهمیت دارند؟
• 7. مدل‌های علّی ساختاری (SCM) به عنوان زبان علیت
• 8. معادلات ساختاری و متغیرهای برون‌زا (Exogenous)
• 9. معرفی گراف‌های علّی: زبان بصری علیت
• 10. گراف‌های جهت‌دار غیرمدور (DAGs): نمایش فرضیات علّی
• 11. گره‌ها، یال‌ها و مسیرها در یک DAG
• 12. مسیرهای زنجیره‌ای (Chains) و انشعابی (Forks)
• 13. ساختار تصادم (Collider) و اهمیت آن در استنتاج علّی
• 14. مفهوم d-separation: مسدود کردن مسیرها در یک گراف
• 15. چگونه با شرطی‌سازی روی متغیرها، مسیرها را مسدود یا باز کنیم
• 16. تمرین d-separation: مثال‌های کاربردی
• 17. فرض مارکوف علّی: استقلال‌های شرطی در DAG
• 18. پیامدهای قابل آزمون یک مدل علّی
• 19. آزمون مدل: آیا داده‌ها با ساختار گراف سازگارند؟
• 20. از دانش پیشین تا ساخت یک DAG معتبر
• 21. مداخله (Intervention) چیست؟ تفاوت دیدن و انجام دادن
• 22. عملگر do: فرمول‌بندی ریاضی یک مداخله
• 23. گراف دستکاری‌شده (Manipulated Graph): نمایش بصری یک مداخله
• 24. محاسبه توزیع پس از مداخله: یک مثال ساده
• 25. فرمول تعدیل (Adjustment Formula): اولین ابزار برای محاسبه اثر علّی
• 26. مفهوم تعدیل (Adjustment) برای متغیرهای مخدوشگر
• 27. معیار درِ پشتی (Backdoor Criterion): چه متغیرهایی را باید کنترل کنیم؟
• 28. شناسایی مجموعه‌های تعدیل معتبر (Valid Adjustment Sets)
• 29. شناسایی و بستن مسیرهای درِ پشتی: مثال‌های عملی
• 30. رگرسیون و تعدیل: ارتباط روش‌های آماری سنتی با معیار درِ پشتی
• 31. خطرات تعدیل برای متغیرهای نامناسب (متغیرهای میانجی و تصادم)
• 32. معیار درِ جلویی (Front-door Criterion): یک روش جایگزین قدرتمند
• 33. شرایط استفاده از معیار درِ جلویی
• 34. تجزیه اثر علّی با استفاده از معیار درِ جلویی: گام به گام
• 35. مثال کاربردی از معیار درِ جلویی: سیگار کشیدن و سرطان
• 36. مقدمه‌ای بر do-calculus: زمانی که تعدیل کافی نیست
• 37. قانون اول do-calculus: حذف مشاهدات
• 38. قانون دوم do-calculus: حذف مداخلات (قانون عمل/مشاهده)
• 39. قانون سوم do-calculus: اضافه کردن و حذف مداخلات
• 40. مفهوم شناسایی‌پذیری (Identifiability): آیا می‌توانیم اثر علّی را تخمین بزنیم؟
• 41. الگوریتم شناسایی: یک روش سیستماتیک برای تعیین اثرات علّی
• 42. محاسبه اثر علّی میانگین (Average Causal Effect - ACE)
• 43. اثرات علّی شرطی (Conditional Causal Effects)
• 44. استنتاج علّی بدون گراف: چارچوب نتایج بالقوه (Potential Outcomes)
• 45. ارتباط بین چارچوب SCM و نتایج بالقوه
• 46. سطح سوم نردبان علیت: استدلال خلاف واقع (Counterfactuals)
• 47. "اگر X اتفاق نمی‌افتاد، Y چه می‌شد؟": تعریف رسمی خلاف واقع
• 48. متغیرهای خلاف واقع و دنیای ممکن
• 49. مدل‌های دوقلو (Twin Networks) برای تحلیل خلاف واقع
• 50. سه گام اساسی در محاسبه خلاف واقع: Abduction, Action, Prediction
• 51. محاسبه احتمال یک رویداد خلاف واقع: یک مثال عملی
• 52. تفاوت بین P(Y|do(X)) و P(Y_x | X')
• 53. اثر علّی بر روی درمان‌شدگان (ATT)
• 54. اثر علّی بر روی درمان‌نشدگان (ATU)
• 55. وابستگی خلاف واقع و مفهوم "علت بودن"
• 56. علیت در موارد منفرد: مفهوم "علت واقعی" (Actual Cause)
• 57. احتمال ضرورت (Probability of Necessity - PN)
• 58. احتمال کفایت (Probability of Sufficiency - PS)
• 59. احتمال ضرورت و کفایت (Probability of Necessity and Sufficiency - PNS)
• 60. مقدمه‌ای بر تحلیل میانجی‌گری (Mediation Analysis)
• 61. اثرات مستقیم و غیرمستقیم: چرا این تفکیک مهم است؟
• 62. اثر مستقیم کنترل‌شده (Controlled Direct Effect - CDE)
• 63. اثر طبیعی مستقیم (Natural Direct Effect - NDE)
• 64. اثر طبیعی غیرمستقیم (Natural Indirect Effect - NIE)
• 65. تفاوت مفهومی بین NDE و CDE
• 66. فرمول‌های میانجی‌گری: چگونه NDE و NIE را محاسبه کنیم
• 67. مثال کاربردی: تحلیل میانجی‌گری در یک مطالعه پزشکی
• 68. شناسایی اثرات مستقیم و غیرمستقیم با استفاده از do-calculus
• 69. فرضیات لازم برای شناسایی اثرات میانجی‌گری
• 70. متغیرهای ابزاری (Instrumental Variables): یافتن علیت در حضور مخدوشگرهای پنهان
• 71. تعریف یک متغیر ابزاری معتبر: سه شرط اصلی
• 72. تخمین اثر علّی با استفاده از متغیرهای ابزاری
• 73. محدودیت‌ها و خطرات استفاده از متغیرهای ابزاری
• 74. طراحی ناپیوستگی رگرسیون (Regression Discontinuity Design - RDD)
• 75. مبانی RDD: یافتن علیت در نقاط برش
• 76. تطبیق امتیاز تمایل (Propensity Score Matching): یک ابزار محبوب
• 77. ارتباط امتیاز تمایل با معیار درِ پشتی
• 78. هشدارها و سوءتفاهم‌ها در مورد امتیاز تمایل
• 79. تعمیم‌پذیری و انتقال‌پذیری (Transportability) نتایج علّی
• 80. چه زمانی می‌توان نتایج یک مطالعه را به جامعه دیگر تعمیم داد؟
• 81. فرمول‌بندی انتقال‌پذیری با استفاده از نمودارهای انتخاب (Selection Diagrams)
• 82. ترکیب داده‌ها (Data Fusion): ادغام نتایج از مطالعات مختلف
• 83. مسئله ترکیب داده‌های مشاهده‌ای و آزمایشگاهی
• 84. داده‌های گمشده به عنوان یک مسئله علّی
• 85. گراف‌های m و تحلیل داده‌های گمشده
• 86. فرضیات علّی در یادگیری تقویتی (Reinforcement Learning)
• 87. سیاست‌گذاری مبتنی بر شواهد با استفاده از استنتاج علّی
• 88. کشف علّی (Causal Discovery): چگونه ساختار گراف را از داده‌ها یاد بگیریم؟
• 89. الگوریتم‌های کشف علّی مبتنی بر قید (Constraint-based)
• 90. الگوریتم‌های کشف علّی مبتنی بر امتیاز (Score-based)
• 91. محدودیت‌ها و چالش‌های کشف علّی
• 92. یادگیری ماشین علّی (Causal Machine Learning)
• 93. اهمیت فرضیات علّی در علوم اجتماعی و سیاست‌گذاری
• 94. استنتاج علّی در اپیدمیولوژی: از گذشته تا امروز
• 95. اخلاق و استنتاج علّی: مسئولیت‌پذیری در ادعاهای علّی
• 96. مرور نردبان علیت: از همبستگی تا خلاف واقع
• 97. جعبه‌ابزار استنتاج علّی: چه زمانی از چه روشی استفاده کنیم؟
• 98. محدودیت‌های مدل‌سازی علّی و اهمیت فرضیات
• 99. آینده استنتاج علّی: هوش مصنوعی و یادگیری ماشین
• 100. پروژه نهایی: تحلیل یک مجموعه داده واقعی با رویکرد علّی