کتاب صوتی مدل‌سازی روابط علت و معلولی در پدیده‌های اجتماعی با MCMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی روابط علت و معلولی در پدیده‌های اجتماعی با MCMC

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: علوم اجتماعی (Social Sciences)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی علت و معلولی در علوم اجتماعی
• 2. مبانی نظری استنتاج علت و معلولی
• 3. مفاهیم کلیدی در مدل‌سازی علت و معلولی
• 4. انواع روابط علت و معلولی (مستقیم، غیرمستقیم، تعدیل‌کننده)
• 5. محدودیت‌های مدل‌سازی مشاهده‌ای
• 6. پیش‌نیازهای مدل‌سازی علت و معلولی
• 7. مبانی روش‌های آماری در مدل‌سازی علت و معلولی
• 8. مقدمه‌ای بر زنجیره‌های مارکوف و فرآیندهای تصادفی
• 9. مبانی نظری مدل‌سازی مارکوف زنجیره‌ای (MCMC)
• 10. چرا MCMC برای مدل‌سازی علت و معلولی مناسب است؟
• 11. روش‌های نمونه‌برداری در MCMC ( Metropolis-Hastings, Gibbs Sampling)
• 12. الگوریتم Metropolis-Hastings: اصول و پیاده‌سازی
• 13. الگوریتم Gibbs Sampling: اصول و پیاده‌سازی
• 14. مزایا و معایب روش‌های MCMC
• 15. نرم‌افزارهای مورد استفاده در MCMC (JAGS, Stan, PyMC3)
• 16. مقدمه‌ای بر نرم‌افزار JAGS
• 17. نصب و راه‌اندازی JAGS
• 18. زبان مدل‌سازی در JAGS (BUGS language)
• 19. نوشتن مدل‌های ساده در JAGS
• 20. ارزیابی همگرایی در MCMC (Trace Plots, Geweke Diagnostic)
• 21. تحلیل نتایج MCMC: تخمین پارامترها
• 22. محاسبه فاصله‌های اطمینان در MCMC
• 23. بررسی برازش مدل (Model Fit)
• 24. مدل‌سازی روابط علت و معلولی خطی با MCMC
• 25. مدل‌های رگرسیون خطی چندگانه با MCMC
• 26. مدل‌سازی روابط علت و معلولی غیرخطی با MCMC
• 27. مدل‌های رگرسیون لجستیک با MCMC
• 28. مدل‌سازی روابط علت و معلولی با متغیرهای طبقه‌ای
• 29. مدل‌سازی میانجی‌گری (Mediation Analysis) با MCMC
• 30. مدل‌سازی تعدیل‌گری (Moderation Analysis) با MCMC
• 31. مدل‌سازی معادلات ساختاری (SEM) با MCMC
• 32. مدل‌سازی روابط علت و معلولی در داده‌های طولی
• 33. مدل‌سازی روابط علت و معلولی در داده‌های پانل
• 34. مقدمه‌ای بر مدل‌های گرافیکی علت و معلولی
• 35. شبکه‌های بیزی (Bayesian Networks)
• 36. پیاده‌سازی شبکه‌های بیزی با MCMC
• 37. مدل‌سازی علت و معلولی در شبکه‌های اجتماعی
• 38. کاربرد MCMC در تحلیل داده‌های شبکه‌های اجتماعی
• 39. مدل‌سازی روابط پیچیده علت و معلولی
• 40. مقدمه‌ای بر مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 41. مدل‌سازی سلسله‌مراتبی با MCMC
• 42. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 43. مدل‌سازی روابط علت و معلولی در حوزه‌های خاص علوم اجتماعی
• 44. مدل‌سازی علت و معلولی در اقتصاد کلان
• 45. مدل‌سازی علت و معلولی در روانشناسی بالینی
• 46. مدل‌سازی علت و معلولی در جامعه‌شناسی شهری
• 47. مدل‌سازی علت و معلولی در مطالعات سیاسی
• 48. مدل‌سازی علت و معلولی در مطالعات توسعه
• 49. مدل‌سازی علت و معلولی در مطالعات آموزشی
• 50. مدل‌سازی علت و معلولی در مطالعات سلامت
• 51. مقدمه‌ای بر روش‌های جایگزین در استنتاج علت و معلولی (با رویکرد رسمی)
• 52. آزمایش‌های میدانی و شبه‌آزمایش‌ها
• 53. روش مقایسه گروه‌ها (Difference-in-Differences)
• 54. روش متغیرهای ابزاری (Instrumental Variables)
• 55. روش تطبیق (Matching)
• 56. ارزیابی اثربخشی سیاست‌ها و مداخلات اجتماعی
• 57. کاربرد MCMC در ارزیابی اثربخشی
• 58. مدل‌سازی علت و معلولی برای پیش‌بینی پدیده‌های اجتماعی
• 59. مدل‌سازی سناریوهای آینده با MCMC
• 60. حساسیت‌سنجی مدل‌ها به مفروضات
• 61. بررسی عدم قطعیت در پیش‌بینی‌ها
• 62. اخلاق در مدل‌سازی علت و معلولی
• 63. شفافیت در گزارش‌دهی مدل‌ها
• 64. تفسیر صحیح نتایج MCMC
• 65. اهمیت دانش تخصصی در طراحی و تفسیر مدل‌ها
• 66. نقد و بررسی مدل‌های علت و معلولی موجود
• 67. خطاهای رایج در مدل‌سازی علت و معلولی
• 68. راهکارهای عملی برای غلبه بر چالش‌ها
• 69. مطالعات موردی پیشرفته در مدل‌سازی علت و معلولی
• 70. کاربرد MCMC در پدیده‌های اقتصادی-اجتماعی
• 71. کاربرد MCMC در مسائل فرهنگی-اجتماعی
• 72. کاربرد MCMC در تحلیل رفتارهای سیاسی
• 73. کاربرد MCMC در مسائل مربوط به خانواده و جامعه
• 74. کاربرد MCMC در مطالعات شهری و منطقه‌ای
• 75. کاربرد MCMC در تحلیل پدیده‌های مرتبط با سلامت عمومی
• 76. مروری بر آخرین پیشرفت‌ها در MCMC برای علوم اجتماعی
• 77. مقایسه MCMC با سایر روش‌های مدل‌سازی
• 78. ملاحظات پیاده‌سازی در پروژه‌های واقعی
• 79. مدیریت داده‌های بزرگ در مدل‌سازی علت و معلولی
• 80. استفاده از MCMC در تحلیل داده‌های حجیم
• 81. بهینه‌سازی الگوریتم‌های MCMC
• 82. روش‌های نمونه‌برداری پیشرفته
• 83. مدل‌سازی پدیده‌های با دینامیک پیچیده
• 84. کاربرد MCMC در تحلیل سری‌های زمانی پیچیده
• 85. توسعه مدل‌های علت و معلولی برای پدیده‌های نوظهور
• 86. کاربرد MCMC در مطالعات میان‌رشته‌ای
• 87. تلفیق دانش نظری و روش‌های آماری
• 88. چالش‌های مفهومی در تعریف علت و معلول
• 89. راهکارهای عملی برای تعریف دقیق مفاهیم
• 90. پیش‌نیازهای ریاضی برای درک عمیق‌تر MCMC
• 91. مبانی احتمال و آمار پیشرفته
• 92. مبانی جبر خطی و حساب دیفرانسیل و انتگرال
• 93. تمرین‌های عملی با داده‌های واقعی
• 94. پروژه‌های کاربردی در حوزه علوم اجتماعی
• 95. ارائه نتایج مدل‌سازی به ذینفعان
• 96. ارتباط مؤثر نتایج مدل‌سازی با سیاست‌گذاران
• 97. گزارش‌نویسی علمی و فنی
• 98. اصول نگارش مقالات پژوهشی
• 99. اصول ارائه شفاهی یافته‌های پژوهشی