دوره کشف ناهمگونی پنهان: استنتاج دقیق با یادگیری ماشین بدون سوگیری در داده‌های پیچیده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف ناهمگونی پنهان: استنتاج دقیق با یادگیری ماشین بدون سوگیری در داده‌های پیچیده

موضوع کلی: اقتصادسنجی پیشرفته و یادگیری ماشین

موضوع میانی: یادگیری ماشین بدون سوگیری (DML) برای استنتاج مقاوم

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اقتصادسنجی و یادگیری ماشین
• 2. مروری بر ناهمگونی مشاهده‌نشده در داده‌ها
• 3. چالش‌های استنتاج سنتی در حضور ناهمگونی
• 4. معرفی یادگیری ماشین به عنوان ابزاری برای اقتصادسنجی
• 5. مفهوم سوگیری (Bias) در یادگیری ماشین و اهمیت آن
• 6. یادگیری ماشین بدون سوگیری (DML): انگیزه و اصول اولیه
• 7. مروری بر روش‌های اصلی یادگیری ماشین (رگرسیون، طبقه‌بندی)
• 8. مقدمه‌ای بر مدل‌های پنل و داده‌های طولی
• 9. مشکلات خاص داده‌های پنل با ابعاد بالا
• 10. خطاهای اندازه‌گیری و اثرات آن بر استنتاج
• 11. تئوری مجانبی و استنتاج آماری در داده‌های بزرگ
• 12. روش‌های بوت‌استرپ و جک‌نایف برای استنتاج مقاوم
• 13. مقدمه‌ای بر رگرسیون خطی و مدل‌های خطی تعمیم‌یافته
• 14. مدل‌سازی اثرات ثابت و اثرات تصادفی
• 15. تخمین زن‌های حداقل مربعات معمولی (OLS) و تعمیم‌یافته (GLS)
• 16. تشخیص و تصحیح ناهمسانی و همبستگی سریالی
• 17. مدل‌های خطی سلسله مراتبی و اثرات متغیر با زمان
• 18. مقدمه‌ای بر مدل‌های غیرخطی در اقتصادسنجی
• 19. مدل‌های لوجیت و پروبیت برای متغیرهای وابسته باینری
• 20. مدل‌های شمارش رویداد (Poisson, Negative Binomial)
• 21. مدل‌های طول عمر و تحلیل بقا
• 22. معرفی روش‌های یادگیری ماشین برای پیش‌بینی و طبقه‌بندی
• 23. رگرسیون‌های خطی و غیرخطی با پنالتی (Ridge, Lasso, Elastic Net)
• 24. ماشین‌های بردار پشتیبان (SVM) برای رگرسیون و طبقه‌بندی
• 25. درخت‌های تصمیم‌گیری و جنگل‌های تصادفی (Random Forests)
• 26. شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق (Deep Learning)
• 27. ارزیابی عملکرد مدل‌های یادگیری ماشین (خطاها، دقت، فراخوانی)
• 28. اعتبارسنجی متقاطع (Cross-Validation) و تنظیم بیشینه پارامترها
• 29. مقدمه‌ای بر استنتاج علّی و شناسایی
• 30. متغیرهای ابزاری (Instrumental Variables) و رگرسیون دو مرحله‌ای
• 31. روش‌های تطبیق (Matching) و امتیاز گرایش (Propensity Score)
• 32. طراحی‌های رگرسیونی ناپیوسته (Regression Discontinuity)
• 33. تفاوت در تفاوت‌ها (Difference-in-Differences) و تعمیم‌های آن
• 34. معرفی مدل‌های فضایی و داده‌های فضایی-زمانی
• 35. مدل‌های خودرگرسیونی فضایی (SAR) و میانگین متحرک فضایی (SMA)
• 36. مدل‌های اثرات فضایی و خوشه‌بندی فضایی
• 37. ادغام یادگیری ماشین و اقتصادسنجی برای استنتاج مقاوم
• 38. اصول یادگیری ماشین بدون سوگیری (DML) در اقتصادسنجی
• 39. برآورد اثرات درمانی هتروژن با استفاده از DML
• 40. DML برای شناسایی ساختاری و مدل‌سازی علی
• 41. تخمین توابع پاسخ به ضربه با استفاده از DML
• 42. کاربرد DML در تحلیل سیاست‌گذاری
• 43. تئوری پشت DML: برآوردگرهای ناهمگن و ناپارامتری
• 44. قضیه نماینده (Representation Theorem) و دوگانگی
• 45. محدودیت‌های همگرایی و نرخ همگرایی
• 46. مسائل شناسایی در مدل‌های پیچیده
• 47. روش‌های تنظیم در DML (e.g., Orthogonalization, Cross-Fitting)
• 48. اجرای DML با استفاده از نرم‌افزارهای آماری (R, Python)
• 49. بسته‌های نرم‌افزاری خاص برای DML (e.g., DoubleML)
• 50. مثال عملی: تخمین اثرات آموزش شغلی با استفاده از DML
• 51. مثال عملی: بررسی اثرات سیاست‌های پولی بر تورم با استفاده از DML
• 52. مثال عملی: تحلیل اثرات تغییرات آب و هوا بر بهره‌وری کشاورزی با استفاده از DML
• 53. مدل‌های پنل با ناهمگونی مشاهده‌نشده و خطاهای اندازه‌گیری
• 54. اثرات ثابت فردی و زمانی: مدل‌سازی و تخمین
• 55. روش‌های تبدیل برای حذف اثرات ثابت (e.g., First Differences, Within Transformation)
• 56. مقابله با خطاهای اندازه‌گیری در مدل‌های پنل
• 57. برآورد با متغیرهای ابزاری در مدل‌های پنل با خطاهای اندازه‌گیری
• 58. DML برای مدل‌های پنل با ابعاد بالا و خطاهای اندازه‌گیری
• 59. برآورد اثرات درمانی متغیر با زمان در مدل‌های پنل با DML
• 60. استنتاج علّی با استفاده از داده‌های پنل: چالش‌ها و راهکارها
• 61. پیاده‌سازی DML برای داده‌های پنل در نرم‌افزار
• 62. توسعه‌های DML: یادگیری نیمه‌نظارتی و یادگیری انتقالی
• 63. DML برای داده‌های غیرساختاری (متن، تصویر)
• 64. DML و حریم خصوصی تفاضلی (Differential Privacy)
• 65. DML برای داده‌های شبکه‌ای و تحلیل شبکه‌های اجتماعی
• 66. برآورد خطای اندازه‌گیری با استفاده از روش‌های یادگیری ماشین
• 67. استفاده از DML برای حذف خطای اندازه‌گیری در متغیرهای توضیحی و وابسته
• 68. DML برای مدل‌های معادلات همزمان با خطای اندازه‌گیری
• 69. مقایسه روش‌های DML با روش‌های سنتی اقتصادسنجی
• 70. مزایا و معایب DML نسبت به روش‌های سنتی
• 71. انتخاب روش مناسب برای هر کاربرد خاص
• 72. روش‌های تشخیص اعتبار (specification tests) برای مدل‌های DML
• 73. آزمون‌های حساسیت (sensitivity analysis) برای ارزیابی استحکام نتایج
• 74. بررسی تجربی: بازتولید نتایج مقاله "Debiased Machine Learning for Unobserved Heterogeneity"
• 75. کاربردهای DML در اقتصاد خرد: اقتصاد کار، سازمان صنعتی
• 76. کاربردهای DML در اقتصاد کلان: رشد اقتصادی، چرخه‌های تجاری
• 77. کاربردهای DML در مالیه: قیمت‌گذاری دارایی، مدیریت ریسک
• 78. کاربردهای DML در بازاریابی: بهینه‌سازی تبلیغات، رفتار مصرف کننده
• 79. کاربردهای DML در علوم اجتماعی: جرم‌شناسی، جامعه‌شناسی
• 80. مسائل اخلاقی در استفاده از DML (تبعیض، شفافیت)
• 81. محدودیت‌های فعلی DML و مسیرهای تحقیقاتی آینده
• 82. جهت‌گیری‌های تحقیقاتی جدید در DML و اقتصادسنجی
• 83. چالش‌های محاسباتی در پیاده‌سازی DML در مقیاس بزرگ
• 84. تاثیر DML بر سیاست‌گذاری و تصمیم‌گیری
• 85. جمع‌بندی و نتیجه‌گیری: DML به عنوان ابزاری قدرتمند برای استنتاج مقاوم