اپلیکیشن اندرویدی فلش‌کارت آموزشی استنباط علّی پایدار (Doubly-Robust) با DML در مدل‌های انتخاب نمونه چندمتغیره

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنباط علّی پایدار (Doubly-Robust) با DML در مدل‌های انتخاب نمونه چندمتغیره

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: یادگیری ماشین دوگانه (DML) در استنباط علّی

📋 سرفصل‌های دوره

• 1. مقدمه بر استنباط علّی: فراتر از همبستگی
• 2. چارچوب نتایج بالقوه (Potential Outcomes Framework)
• 3. اثر درمانی میانگین (ATE) و اثر درمانی روی درمان‌شدگان (ATT)
• 4. متغیرهای مخدوش‌کننده (Confounders) و چالش شناسایی علّی
• 5. فرضیه نادیده‌انگاری (Unconfoundedness) یا انتخاب بر اساس متغیرهای قابل مشاهده
• 6. روش‌های کلاسیک کنترل مخدوش‌کننده‌ها: رگرسیون چندگانه
• 7. روش‌های کلاسیک کنترل مخدوش‌کننده‌ها: تطبیق (Matching)
• 8. امتیاز تمایل (Propensity Score) و روش‌های مبتنی بر آن
• 9. تورش انتخاب نمونه (Sample Selection Bias): یک چالش بنیادین
• 10. تفاوت تورش مخدوش‌کنندگی و تورش انتخاب نمونه
• 11. مدل کلاسیک انتخاب نمونه هکمن (Heckman Selection Model)
• 12. محدودیت‌های مدل‌های پارامتریک سنتی در استنباط علّی
• 13. ورود به دنیای یادگیری ماشین: فرصت‌ها و تهدیدها
• 14. چرا یادگیری ماشین برای پیش‌بینی و نه لزوماً برای علیت؟
• 15. خطر استفاده ساده از مدل‌های ML برای برآورد اثرات علّی
• 16. مفهوم تورش قانونمندسازی (Regularization Bias) در مدل‌های LASSO و Ridge
• 17. مقدمه‌ای بر یادگیری ماشین دوگانه (DML)
• 18. شهود پشت DML: قضیه فریش-وا-لاول (Frisch-Waugh-Lovell Theorem)
• 19. مفهوم متغیرهای مزاحم (Nuisance Parameters) در مدل‌های علی
• 20. ایده اصلی DML: جداسازی (Partialling Out) اثر مخدوش‌کننده‌ها
• 21. متعامدسازی نیمانی (Neyman Orthogonality): کلید کاهش تورش
• 22. شرایط گشتاور متعامد (Orthogonal Moment Conditions)
• 23. تکنیک برازش متقاطع (Cross-Fitting) یا تقسیم نمونه (Sample Splitting)
• 24. چرا برازش متقاطع برای جلوگیری از تورش بیش‌برازش حیاتی است؟
• 25. الگوریتم گام به گام یادگیری ماشین دوگانه
• 26. مدل خطی جزئی (Partially Linear Model) به عنوان اولین مثال DML
• 27. برآورد اثر درمانی میانگین (ATE) با استفاده از DML
• 28. برآورد اثرات درمانی ناهمگون (Heterogeneous Treatment Effects) با DML
• 29. انتخاب مدل‌های یادگیری ماشین مناسب برای مراحل DML
• 30. جنگل‌های تصادفی (Random Forests) در چارچوب DML
• 31. گرادیان بوستینگ (Gradient Boosting) در چارچوب DML
• 32. شبکه‌های عصبی (Neural Networks) در چارچوب DML
• 33. استنتاج آماری پس از DML: محاسبه خطای استاندارد و فواصل اطمینان
• 34. بازنگری عمیق در مشکل انتخاب نمونه
• 35. وزن‌دهی بر اساس معکوس احتمال (Inverse Probability Weighting - IPW)
• 36. برآوردگرهای الحاقی (Augmentation) و مفهوم دوگانه پایدار (Doubly-Robust)
• 37. چرا پایداری دوگانه یک ویژگی مطلوب است؟
• 38. ترکیب IPW و رگرسیون نتیجه: برآوردگر AIPW
• 39. محدودیت‌های IPW و AIPW در فضاهای با ابعاد بالا
• 40. مدل‌های انتخاب نمونه تک‌متغیره: مرور و نقد
• 41. ورود به مسئله اصلی: انتخاب نمونه چندمتغیره (Multivariate Sample Selection)
• 42. مثال‌هایی از انتخاب نمونه چندمتغیره در دنیای واقعی
• 43. چالش‌های مدل‌سازی انتخاب نمونه چندمتغیره
• 44. همبستگی بین خطاهای معادلات انتخاب چندگانه
• 45. ساختار مدل مقاله مرجع: تعریف متغیرها و معادلات
• 46. معادله نتیجه (Outcome Equation) در حضور انتخاب چندگیره
• 47. معادلات انتخاب (Selection Equations): دروازه‌های چندگانه مشاهده
• 48. فرضیات شناسایی (Identification Assumptions) در مدل مقاله
• 49. نقش متغیرهای ابزاری (Instrumental Variables) در شناسایی
• 50. فرضیه طرد (Exclusion Restriction) در زمینه انتخاب نمونه
• 51. صورت‌بندی مسئله در چارچوب شرایط گشتاور (Moment Conditions)
• 52. ساخت شرط گشتاور متعامد برای مدل انتخاب نمونه چندمتغیره
• 53. توابع مزاحم در مدل چندمتغیره: احتمالات انتخاب شرطی
• 54. توابع مزاحم در مدل چندمتغیره: امید ریاضی شرطی نتیجه
• 55. برآورد توابع مزاحم با استفاده از یادگیری ماشین
• 56. مدل‌سازی احتمالات انتخاب چندگانه: رگرسیون لجستیک چندجمله‌ای و فراتر از آن
• 57. استفاده از طبقه‌بندهای پیشرفته (مانند XGBoost) برای مدل‌سازی انتخاب
• 58. مدل‌سازی معادله نتیجه با استفاده از رگرسیون‌های غیرپارامتریک
• 59. الگوریتم DML برای مدل انتخاب نمونه چندمتغیره: مرحله اول (Partialling Out)
• 60. الگوریتم DML برای مدل انتخاب نمونه چندمتغیره: مرحله دوم (Final Estimation)
• 61. پیاده‌سازی برازش متقاطع در این مدل پیچیده
• 62. اثبات ویژگی دوگانه پایدار بودن برآوردگر پیشنهادی
• 63. سناریوی اول پایداری: مدل نتیجه صحیح، مدل انتخاب ناصحیح
• 64. سناریوی دوم پایداری: مدل انتخاب صحیح، مدل نتیجه ناصحیح
• 65. استنتاج آماری برای برآوردگر نهایی
• 66. روش‌های بوت‌استرپ (Bootstrap) برای محاسبه واریانس
• 67. بررسی عملکرد برآوردگر از طریق شبیه‌سازی مونت کارلو
• 68. طراحی یک مطالعه شبیه‌سازی: تولید داده مصنوعی
• 69. مقایسه عملکرد DML با روش‌های پارامتریک سنتی
• 70. مقایسه عملکرد DML با روش‌های ساده‌انگارانه مبتنی بر ML
• 71. تحلیل حساسیت نسبت به نقض فرضیات مدل
• 72. بررسی نقض فرضیه طرد
• 73. بررسی قدرت متغیرهای ابزاری
• 74. پیاده‌سازی عملی: مقدمه‌ای بر کتابخانه‌های نرم‌افزاری
• 75. پیاده‌سازی در پایتون با استفاده از کتابخانه EconML
• 76. پیاده‌سازی در R با استفاده از بسته DoubleML
• 77. مطالعه موردی: تحلیل تأثیر یک برنامه آموزشی بر دستمزد
• 78. مطالعه موردی: تعریف متغیرها و معادلات انتخاب (مثلاً ثبت‌نام و اتمام دوره)
• 79. مطالعه موردی: آماده‌سازی و پاک‌سازی داده‌ها
• 80. مطالعه موردی: انتخاب و آموزش مدل‌های یادگیری ماشین
• 81. مطالعه موردی: اجرای الگوریتم DML گام به گام
• 82. مطالعه موردی: تفسیر نتایج علّی و ضرایب به دست آمده
• 83. مطالعه موردی: گزارش فواصل اطمینان و معناداری آماری
• 84. تعمیم مدل: اثرات درمانی ناهمگون در حضور انتخاب نمونه
• 85. استفاده از جنگل‌های علّی (Causal Forests) در چارچوب DML
• 86. محدودیت‌های روش ارائه شده در مقاله
• 87. چه زمانی DML در مدل‌های انتخاب نمونه شکست می‌خورد؟
• 88. ارتباط DML با سایر روش‌های مدرن استنباط علّی
• 89. یادگیری ماشین هدفمند (Targeted Maximum Likelihood Estimation - TMLE)
• 90. ماتریس‌های تعمیم‌یافته تصادفی (Generalized Random Forests)
• 91. ملاحظات محاسباتی و مقیاس‌پذیری الگوریتم
• 92. نکات عملی برای انتخاب پارامترهای تنظیم (Hyperparameter Tuning) در DML
• 93. اخلاق در استنباط علّی: تفسیر مسئولانه نتایج
• 94. روندهای آینده: ادغام یادگیری عمیق (Deep Learning) با DML
• 95. روندهای آینده: مدل‌های انتخاب نمونه پویا و داده‌های پانلی
• 96. جمع‌بندی مفاهیم کلیدی دوره
• 97. پروژه نهایی: پیاده‌سازی و تحلیل یک مجموعه داده واقعی
• 98. مرور نهایی و چشم‌انداز استنباط علّی مدرن