دوره افزایش دقت برآورد اثر درمان (ATE): رویکرد نوین تخمین مستقیم عبارت تصحیح سوگیری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره افزایش دقت برآورد اثر درمان (ATE): رویکرد نوین تخمین مستقیم عبارت تصحیح سوگیری

موضوع کلی: استنباط علی و ارزیابی اثر

موضوع میانی: برآورد اثر درمان با روش‌های پیشرفته امتیاز تمایل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنباط علی: فراتر از همبستگی
• 2. چارچوب نتایج بالقوه (Potential Outcomes Framework)
• 3. اثر درمانی میانگین (ATE)، اثر درمانی بر روی درمان‌شدگان (ATT) و کنترل‌ها (ATC)
• 4. مفروضات کلیدی در استنباط علی: SUTVA، سازگاری و نادیده‌انگاری (Ignorability)
• 5. فرض هم‌پوشانی یا حمایت مشترک (Overlap / Common Support)
• 6. اهمیت کارآزمایی‌های تصادفی کنترل‌شده (RCTs) به عنوان استاندارد طلایی
• 7. چالش‌های داده‌های مشاهده‌ای: سوگیری درآمیختگی (Confounding Bias)
• 8. معرفی امتیاز تمایل (Propensity Score) به عنوان ابزار موازنه
• 9. ویژگی موازنه‌سازی امتیاز تمایل: استقلال شرطی
• 10. تخمین امتیاز تمایل با استفاده از رگرسیون لجستیک
• 11. بررسی فرض هم‌پوشانی با استفاده از توزیع امتیاز تمایل
• 12. ارزیابی کیفیت موازنه متغیرهای کمکی: تفاوت میانگین استاندارد شده (SMD)
• 13. ارزیابی بصری موازنه: نمودارهای توزیع و نمودارهای عشق (Love Plots)
• 14. روش تطبیق بر اساس امتیاز تمایل (Propensity Score Matching)
• 15. روش طبقه‌بندی بر اساس امتیاز تمایل (Propensity Score Stratification)
• 16. روش وزن‌دهی با معکوس احتمال درمان (IPTW)
• 17. برآوردگر هورویتز-تامپسون (Horvitz-Thompson Estimator) برای ATE
• 18. مشکل واریانس بالا در برآوردگرهای IPTW
• 19. برآوردگرهای وزن‌دهی تثبیت‌شده (Stabilized Weights) برای کاهش واریانس
• 20. روش تعدیل رگرسیونی (Regression Adjustment)
• 21. برآوردگرهای دوچندان استوار (Doubly Robust Estimators)
• 22. مفهوم استواری دوگانه: چرا به دو مدل نیاز داریم؟
• 23. برآوردگر وزن‌دهی با معکوس احتمال (AIPTW)
• 24. مشکل اصلی: سوگیری ناشی از تصریح نادرست مدل (Model Misspecification)
• 25. آسیب‌پذیری روش‌های تک-استوار (Singly Robust) در برابر تصریح نادرست
• 26. محدودیت‌های روش‌های دوچندان استوار در صورت تصریح نادرست هر دو مدل
• 27. ایده اصلی مقاله: حرکت از تخمین مدل به تخمین مستقیم سوگیری
• 28. پارادایم جدید: تخمین مستقیم عبارت تصحیح سوگیری (Direct Bias-Correction Term)
• 29. شهود پشت اصلاح مستقیم سوگیری برآوردگر IPTW
• 30. تجزیه تحلیلی سوگیری در برآوردگر ATE مبتنی بر IPTW
• 31. نقش باقی‌مانده‌های مدل نتیجه (Outcome Model) در عبارت سوگیری
• 32. نقش باقی‌مانده‌های مدل امتیاز تمایل در عبارت سوگیری
• 33. تعریف رسمی "عبارت تصحیح سوگیری" (Bias-Correction Term - BCT)
• 34. چگونگی تخمین BCT با استفاده از روش‌های ناپارامتریک
• 35. معرفی برآوردگر جدید: IPTW اصلاح‌شده با تخمین مستقیم سوگیری (DBCE)
• 36. ساختار ریاضیاتی برآوردگر DBCE
• 37. گام اول در پیاده‌سازی: تخمین اولیه امتیاز تمایل (حتی با مدل ساده)
• 38. گام دوم: ساخت مدل کمکی برای نتیجه (Outcome Model)
• 39. گام سوم: محاسبه باقی‌مانده‌های هر دو مدل
• 40. گام چهارم: تخمین مستقیم عبارت تصحیح سوگیری
• 41. گام پنجم: اصلاح برآوردگر اولیه IPTW با عبارت تخمین‌زده‌شده
• 42. ویژگی‌های نظری برآوردگر جدید: سازگاری (Consistency)
• 43. ویژگی‌های نظری برآوردگر جدید: نرمال بودن مجانبی (Asymptotic Normality)
• 44. مفهوم کارایی نیمه‌پارامتریک (Semiparametric Efficiency)
• 45. کران کارایی نیمه‌پارامتریک برای برآورد ATE
• 46. ارتباط برآوردگر DBCE با کران کارایی
• 47. مقایسه نظری DBCE با برآوردگرهای دوچندان استوار (AIPTW)
• 48. شرایطی که در آن DBCE عملکرد بهتری نسبت به AIPTW دارد
• 49. نقش تصریح نادرست متقابل دو مدل در عملکرد نسبی برآوردگرها
• 50. پیاده‌سازی الگوریتم DBCE در نرم‌افزار R: راهنمای گام به گام
• 51. پیاده‌سازی الگوریتم DBCE در نرم‌افزار Python: راهنمای گام به گام
• 52. انتخاب مدل برای امتیاز تمایل: سادگی در برابر پیچیدگی
• 53. انتخاب مدل برای نتیجه در فرآیند تخمین سوگیری
• 54. استفاده از یادگیری ماشین برای تخمین عبارت تصحیح سوگیری
• 55. طراحی مطالعات شبیه‌سازی برای ارزیابی عملکرد برآوردگرها
• 56. سناریوهای شبیه‌سازی: تصریح صحیح مدل امتیاز تمایل
• 57. سناریوهای شبیه‌سازی: تصریح نادرست مدل امتیاز تمایل
• 58. سناریوهای شبیه‌سازی: تصریح نادرست مدل نتیجه
• 59. سناریوهای شبیه‌سازی: تصریح نادرست هر دو مدل
• 60. معیارهای ارزیابی در شبیه‌سازی: سوگیری (Bias)، واریانس (Variance)، و میانگین مربعات خطا (MSE)
• 61. تفسیر نتایج شبیه‌سازی: مقایسه DBCE با IPTW و AIPTW
• 62. برآورد واریانس و ساخت بازه‌های اطمینان برای برآوردگر DBCE
• 63. روش بوت‌استرپ (Bootstrap) برای برآورد واریانس DBCE
• 64. تحلیل حساسیت: بررسی تأثیر مفروضات بر نتایج
• 65. کاربرد عملی: مطالعه موردی در حوزه بهداشت و درمان
• 66. جمع‌آوری و آماده‌سازی داده‌ها برای مطالعه موردی
• 67. پیاده‌سازی روش DBCE بر روی داده‌های واقعی
• 68. تفسیر نتایج مطالعه موردی: برآورد ATE و اهمیت بالینی
• 69. مقایسه نتایج DBCE با روش‌های سنتی در مطالعه موردی
• 70. کاربرد عملی: مطالعه موردی در حوزه اقتصاد سنجی یا بازاریابی
• 71. چالش‌های پیاده‌سازی در داده‌های با ابعاد بالا
• 72. راهکارهای مواجهه با متغیرهای کمکی پیوسته و گسسته
• 73. تعمیم رویکرد تصحیح سوگیری برای برآورد ATT
• 74. تفاوت در فرمول‌بندی عبارت تصحیح سوگیری برای ATT
• 75. تعمیم رویکرد برای درمان‌های چندسطحی (Multi-valued Treatments)
• 76. چالش‌های تعریف و تخمین امتیاز تمایل تعمیم‌یافته (Generalized Propensity Score)
• 77. اصلاح سوگیری در چارچوب درمان‌های چندسطحی
• 78. مقدمه‌ای بر درمان‌های پیوسته (Continuous Treatments)
• 79. محدودیت‌ها و چالش‌های روش تخمین مستقیم سوگیری
• 80. چه زمانی استفاده از روش‌های سنتی‌تر کفایت می‌کند؟
• 81. نقش دانش دامنه (Domain Knowledge) در انتخاب و تصریح مدل‌ها
• 82. یادگیری ماشین و استنباط علی: رویکردهای دوگانه متعامد (Double/Debiased Machine Learning)
• 83. ارتباط روش DBCE با رویکردهای یادگیری ماشین متعامد
• 84. ملاحظات محاسباتی و مقیاس‌پذیری الگوریتم
• 85. نرم‌افزارها و کتابخانه‌های موجود برای پیاده‌سازی روش‌های پیشرفته
• 86. اخلاق در استنباط علی: تفسیر مسئولانه نتایج
• 87. نحوه گزارش‌دهی نتایج حاصل از تحلیل‌های علی
• 88. اشتباهات رایج در استفاده از امتیاز تمایل
• 89. چالش نقض فرض هم‌پوشانی و راهکارهای مقابله با آن
• 90. آینده پژوهش در زمینه برآورد اثر درمانی
• 91. نقش مدل‌های ساختاری علی (Structural Causal Models)
• 92. ترکیب روش‌های مبتنی بر امتیاز تمایل با متغیرهای ابزاری (Instrumental Variables)
• 93. خلاصه جامع دوره: از مبانی تا تکنیک‌های پیشرفته
• 94. پروژه نهایی: پیاده‌سازی و مقایسه برآوردگرها بر روی یک مجموعه داده
• 95. جمع‌بندی نهایی و چشم‌انداز آینده استنباط علی