اپلیکیشن اندرویدی فلش‌کارت آموزشی اصلاح خطاهای DiD: از سوء طبقه‌بندی تا پیش‌بینی؛ یک رویکرد عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصلاح خطاهای DiD: از سوء طبقه‌بندی تا پیش‌بینی؛ یک رویکرد عملی

موضوع کلی: اقتصادسنجی

موضوع میانی: روش‌های تخمین اثرات علّی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اقتصادسنجی علّی
• 2. مفهوم پیامدهای بالقوه و اثر علّی
• 3. مسئله بنیادی استنتاج علّی
• 4. روش‌های اصلی استنتاج علّی: مروری کلی
• 5. مقدمه‌ای بر روش تفاوت در تفاوت‌ها (DiD)
• 6. فرض روند موازی (Parallel Trends Assumption)
• 7. نقش داده‌های پنل در DiD
• 8. DiD دو گروه-دو دوره: مفاهیم اولیه
• 9. برآوردگر رگرسیونی DiD پایه
• 10. اثر درمان (Treatment Effect) و میانگین اثر درمان
• 11. مفروضات کلیدی DiD: مرور جامع
• 12. مشکلات احتمالی در DiD سنتی
• 13. تفسیر ضرایب در مدل DiD
• 14. خطاهای استاندارد در مدل DiD
• 15. کاربردهای DiD در مطالعات تجربی
• 16. معرفی طراحی‌های پذیرش متناوب (Staggered DiD)
• 17. تفاوت DiD سنتی با Staggered DiD
• 18. چالش‌های اصلی Staggered DiD
• 19. برآوردگر Two-Way Fixed Effects (TWFE) در Staggered DiD
• 20. چرا TWFE در Staggered DiD مشکل‌ساز است؟
• 21. مشکل وزن‌های منفی در TWFE
• 22. ناهمگونی اثرات درمان (Heterogeneous Treatment Effects)
• 23. تحلیل رویدادی (Event Study) در Staggered DiD
• 24. طراحی و تفسیر نمودارهای Event Study
• 25. تشخیص اثرات پیشین و پسین با Event Study
• 26. معرفی برآوردگر Callaway و Sant'Anna
• 27. الزامات و مفروضات برآوردگر Callaway و Sant'Anna
• 28. پیاده‌سازی Callaway و Sant'Anna
• 29. معرفی برآوردگر Sun و Abraham
• 30. مقایسه Sun و Abraham با TWFE
• 31. پیاده‌سازی Sun و Abraham
• 32. معرفی برآوردگر Borusyak، Jaravel و Spiess
• 33. مزایای برآوردگر Borusyak و همکاران
• 34. پیاده‌سازی Borusyak، Jaravel و Spiess
• 35. معرفی برآوردگر de Chaisemartin و D'Haultfœuille
• 36. مفاهیم Unit-Specific Treatment Effects در DiD مدرن
• 37. انتخاب بهترین برآوردگر برای Staggered DiD
• 38. رویکردهای غیرپارامتری در DiD با پذیرش متناوب
• 39. روش‌های بوت‌استرپینگ برای خطاهای استاندارد در DiD
• 40. مثال‌های کاربردی از Staggered DiD
• 41. تعریف سوء طبقه‌بندی متغیر درمان
• 42. انواع سوء طبقه‌بندی: خطای نوع I (مثبت کاذب)
• 43. انواع سوء طبقه‌بندی: خطای نوع II (منفی کاذب)
• 44. تأثیر سوء طبقه‌بندی بر فرض روند موازی
• 45. تأثیر سوء طبقه‌بندی بر برآوردگر DiD: بایاس نزولی
• 46. تأثیر سوء طبقه‌بندی بر برآوردگر DiD: بایاس صعودی (در شرایط خاص)
• 47. سوء طبقه‌بندی در گروه کنترل
• 48. سوء طبقه‌بندی در گروه درمان
• 49. سوء طبقه‌بندی در دوره پیش از درمان
• 50. سوء طبقه‌بندی در دوره پس از درمان
• 51. منابع رایج سوء طبقه‌بندی در داده‌های واقعی
• 52. تشخیص سوء طبقه‌بندی: روش‌های آماری
• 53. تشخیص سوء طبقه‌بندی: بازرسی داده
• 54. مدل‌سازی سوء طبقه‌بندی با استفاده از ماتریس خطا
• 55. چارچوب‌های نظری برای تصحیح سوء طبقه‌بندی
• 56. تصحیح سوء طبقه‌بندی با داده‌های جانبی معتبر (Validation Data)
• 57. برآورد مدل با داده‌های جانبی برای DiD
• 58. تصحیح سوء طبقه‌بندی با استفاده از متغیرهای ابزاری (Instrumental Variables)
• 59. روش‌های Moment-Based برای تصحیح سوء طبقه‌بندی
• 60. تصحیح سوء طبقه‌بندی با رویکردهای بیزی
• 61. تحلیل حساسیت به سوء طبقه‌بندی
• 62. شبیه‌سازی اثرات سوء طبقه‌بندی
• 63. سوء طبقه‌بندی در متغیرهای تعدیل‌کننده (Moderators)
• 64. ملاحظات عملی در مواجهه با سوء طبقه‌بندی
• 65. مطالعات موردی از سوء طبقه‌بندی و تصحیح آن
• 66. تعریف پدیده پیش‌بینی (Anticipation)
• 67. تفاوت پیش‌بینی با اثرات پویا (Dynamic Effects)
• 68. تأثیر پیش‌بینی بر فرض روند موازی
• 69. تأثیر پیش‌بینی بر برآوردگر DiD: بایاس رو به پایین
• 70. تأثیر پیش‌بینی بر برآوردگر DiD: بایاس رو به بالا (در شرایط خاص)
• 71. منابع پیش‌بینی: اعلام سیاست‌ها و انتظارات بازار
• 72. منابع پیش‌بینی: تغییر رفتار بنگاه‌ها و افراد
• 73. تشخیص پیش‌بینی از طریق تحلیل رویدادی دقیق
• 74. شکل‌گیری و تفسیر Pre-Trends غیرصفر
• 75. مدل‌سازی پیش‌بینی در چارچوب DiD
• 76. تصحیح پیش‌بینی با تعریف مجدد دوره درمان
• 77. تصحیح پیش‌بینی با حذف دوره‌های پیش از درمان مشکوک
• 78. استفاده از "Window-Specific" DiD برای کنترل پیش‌بینی
• 79. روش‌های برآورد بدون پیش‌فرض در حضور پیش‌بینی
• 80. تحلیل حساسیت به پیش‌بینی در DiD
• 81. تمایز پیش‌بینی از شوک‌های مشترک پیش از درمان
• 82. طراحی مطالعه برای به حداقل رساندن پیش‌بینی
• 83. نقش اطلاعات عمومی در پدیده پیش‌بینی
• 84. پیش‌بینی و سوگیری انتخاب (Selection Bias)
• 85. مطالعات موردی از پدیده پیش‌بینی
• 86. وقتی سوء طبقه‌بندی و پیش‌بینی هم‌زمان رخ می‌دهند
• 87. اثرات ترکیبی سوء طبقه‌بندی و پیش‌بینی بر تخمین‌ها
• 88. استراتژی‌های یکپارچه برای اصلاح هر دو خطا
• 89. نقش دقت در اندازه‌گیری متغیر درمان
• 90. توسعه مدل‌های DiD برای مقابله با خطاهای پیچیده
• 91. روش‌های اعتبارسنجی خارجی برای نتایج DiD
• 92. بررسی استحکام (Robustness Checks) در حضور خطاها
• 93. شبیه‌سازی Monte Carlo برای ارزیابی عملکرد برآوردگرها
• 94. نکات کاربردی برای محققین: چک‌لیست DiD مقاوم
• 95. پیاده‌سازی عملی با نرم‌افزارهای آماری (Stata/R/Python)
• 96. داده‌های مورد نیاز و الزامات کیفیت داده
• 97. محدودیت‌ها و چالش‌های باقی‌مانده در DiD پیشرفته
• 98. سرفصل‌های تحقیقاتی آتی در DiD
• 99. مروری بر مقاله الهام‌بخش و نکات کلیدی آن
• 100. جمع‌بندی نهایی: طراحی یک DiD مقاوم و قابل اعتماد