فلش‌کارت‌های آموزشی تجزیه نابرابری درآمدی با استفاده از یادگیری ماشین: غلبه بر چالش‌های پشتیبانی مشترک (Common Support)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تجزیه نابرابری درآمدی با استفاده از یادگیری ماشین: غلبه بر چالش‌های پشتیبانی مشترک (Common Support)

موضوع کلی: اقتصادسنجی و یادگیری ماشین

موضوع میانی: تجزیه و تحلیل نابرابری با رویکرد یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نابرابری درآمدی و اهمیت مطالعه آن
• 2. تعاریف کلیدی و ابعاد مختلف نابرابری
• 3. شاخص‌های سنتی اندازه‌گیری نابرابری: ضریب جینی
• 4. شاخص‌های آنتروپی تعمیم‌یافته: تیل و آتکینسون
• 5. روش‌های تجمیع و تفکیک نابرابری (Decomposition)
• 6. روش اواکسا-بلیندر: مبانی و کاربردها
• 7. محدودیت‌های روش اواکسا-بلیندر در تجزیه نابرابری
• 8. مقدمه‌ای بر یادگیری ماشین در اقتصادسنجی
• 9. انواع یادگیری ماشین: نظارت‌شده، بی‌نظارت و تقویتی
• 10. رگرسیون و طبقه‌بندی در یادگیری ماشین
• 11. مفهوم بایاس-واریانس و مبادله بین آن‌ها
• 12. اعتبارسنجی متقاطع (Cross-Validation) برای ارزیابی مدل‌ها
• 13. رگرسیون خطی با رویکرد یادگیری ماشین
• 14. رگرسیون منظم‌سازی شده: ریج (Ridge) و لسو (Lasso)
• 15. درخت‌های تصمیم‌گیری برای رگرسیون
• 16. جنگل‌های تصادفی (Random Forests): اصول و عملکرد
• 17. گرادیان بوستینگ (Gradient Boosting) و کاربردهای آن
• 18. XGBoost و LightGBM: الگوریتم‌های پیشرفته بوستینگ
• 19. مبانی استنتاج علّی (Causal Inference)
• 20. چارچوب پیامدهای بالقوه (Potential Outcomes)
• 21. تخمین اثر میانگین درمان (ATE) و اثر درمان بر درمان‌شوندگان (ATT)
• 22. مفهوم متغیرهای مخدوش‌کننده (Confounders) و فرض نادیده‌انگاری
• 23. روش امتیاز تمایل (Propensity Score Matching)
• 24. تخمین‌گرهای مقاوم دوگانه (Double Robust Estimators)
• 25. یادگیری ماشین برای تخمین اثرات درمانی ناهمگن
• 26. جنگل‌های علّی (Causal Forests)
• 27. یادگیری ماشین دوگانه (Double Machine Learning - DML): معرفی
• 28. نقش DML در کاهش سوگیری و تخمین پارامترهای علّی
• 29. چالش‌های تجزیه نابرابری با داده‌های پیچیده
• 30. چرا یادگیری ماشین برای تجزیه نابرابری؟
• 31. چارچوب تعمیم‌یافته اواکسا-بلیندر با یادگیری ماشین
• 32. رویکردهای ناپارامتریک در تجزیه نابرابری
• 33. تجزیه واریانس لگاریتم درآمد یا دستمزد
• 34. درک سهم نهایی عوامل در نابرابری
• 35. تخمین امید ریاضی مشروط E[Y|X] با یادگیری ماشین
• 36. مفهوم توزیع پادواقعی (Counterfactual Distribution) درآمد
• 37. تفکیک اثر "ساختار" (Structure) و "ترکیب" (Composition)
• 38. پیاده‌سازی یادگیری ماشین برای معادلات دستمزد
• 39. تخمین تابع "بازده ویژگی‌ها" یا "قیمت" (Price Function)
• 40. تخمین تابع "توزیع ویژگی‌ها" (Composition Function)
• 41. استفاده از DML برای تخمین اجزای تجزیه نابرابری
• 42. مدل‌سازی پیشرفته برای امید ریاضی مشروط
• 43. تخمین چگالی هسته (Kernel Density Estimation) برای توزیع درآمد
• 44. جنگل‌های رگرسیون برای تخمین کمیل‌های درآمد (Quantile Regression Forests)
• 45. مفهوم و اهمیت پشتیبانی مشترک (Common Support)
• 46. تعریف رسمی پشتیبانی مشترک در استنتاج علّی
• 47. بصری‌سازی مشکلات پشتیبانی مشترک
• 48. چالش‌های پشتیبانی مشترک در روش اواکسا-بلیندر
• 49. تشدید مشکلات پشتیبانی مشترک با یادگیری ماشین
• 50. پیامدهای نادیده گرفتن پشتیبانی مشترک در تجزیه
• 51. راهکارهای سنتی برای مقابله با پشتیبانی مشترک: برش (Trimming)
• 52. راهکارهای سنتی برای مقابله با پشتیبانی مشترک: وزن‌دهی
• 53. وزن‌دهی بر اساس امتیاز تمایل برای تضمین پشتیبانی مشترک
• 54. رویکرد مقاله: استفاده از طرح بازوزن‌دهی (Re-weighting Scheme)
• 55. تخمین نسبت چگالی (Density Ratio Estimation)
• 56. یادگیری ماشین برای تخمین نسبت چگالی
• 57. الگوریتم‌های خاص برای تخمین نسبت چگالی (مثلاً KLIEP، uLSIF)
• 58. پیاده‌سازی عملی تخمین نسبت چگالی
• 59. کاربرد بازوزن‌دهی در سناریوهای پادواقعی
• 60. مراحل گام‌به‌گام برای حل مشکل پشتیبانی مشترک با ML
• 61. آماده‌سازی داده‌ها برای تحلیل نابرابری با ML
• 62. مهندسی ویژگی (Feature Engineering) برای مدل‌های درآمدی
• 63. مدیریت داده‌های گمشده و برون‌افتاده
• 64. تحلیل حساسیت مفروضات پشتیبانی مشترک
• 65. بررسی‌های استحکام (Robustness Checks) برای نتایج تجزیه
• 66. استنتاج آماری برای اجزای تفکیک‌شده نابرابری
• 67. روش بوت‌استرپ (Bootstrapping) برای تخمین واریانس
• 68. محاسبه فواصل اطمینان برای سهم هر عامل در نابرابری
• 69. تفسیر مدل‌های یادگیری ماشین در تحلیل نابرابری (SHAP/LIME)
• 70. نرم‌افزارهای پیاده‌سازی: اکوسیستم پایتون (Scikit-learn, EconML)
• 71. نرم‌افزارهای پیاده‌سازی: اکوسیستم R (Tidyverse, Causal ML)
• 72. مطالعه موردی: تجزیه شکاف دستمزد جنسیتی با ML و پشتیبانی مشترک
• 73. مطالعه موردی: تجزیه نابرابری درآمدی بر اساس سطح تحصیلات
• 74. نقش سیاست‌های عمومی در تغییر نابرابری
• 75. شبیه‌سازی مداخلات سیاستی با یادگیری ماشین
• 76. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای علوم اجتماعی
• 77. مزایای رویکرد یادگیری ماشین در تجزیه نابرابری
• 78. محدودیت‌ها و چالش‌های رویکرد یادگیری ماشین
• 79. راهکارهای نوین برای چالش‌های پشتیبانی مشترک
• 80. تجزیه نابرابری در توزیع‌های کمیلی (Quantile Decompositions)
• 81. بررسی اثرات ناهمگن (Heterogeneous Effects) بر نابرابری
• 82. تجزیه نابرابری برای گروه‌های خاص جمعیتی
• 83. نقش داده‌های مقطعی در مقابل داده‌های پانل
• 84. تحلیل بعد زمان در نابرابری درآمدی
• 85. تأثیر تغییرات دموگرافیک بر ساختار نابرابری
• 86. نقش فناوری و اتوماسیون در تشدید/کاهش نابرابری
• 87. نابرابری درآمدی از منظر جهانی
• 88. تحلیل نابرابری ثروت با رویکرد یادگیری ماشین
• 89. پروژه‌های عملی: تنظیم محیط و جمع‌آوری داده
• 90. پروژه‌های عملی: انتخاب مدل و آموزش
• 91. پروژه‌های عملی: اعمال روش‌های پشتیبانی مشترک
• 92. پروژه‌های عملی: تفسیر نتایج تجزیه نابرابری
• 93. پیشرفت‌های اخیر در یادگیری ماشین برای استنتاج علّی
• 94. تجزیه نابرابری با رویکردهای یادگیری عمیق (Deep Learning)
• 95. کاربرد یادگیری ماشین در سیاست‌گذاری‌های مبتنی بر شواهد
• 96. مرور جامع: نکات کلیدی تجزیه نابرابری با ML
• 97. چشم‌انداز آینده پژوهش در این حوزه
• 98. توصیه‌های عملی برای محققان و سیاست‌گذاران
• 99. پرسش و پاسخ: چالش‌ها و فرصت‌ها
• 100. جمع‌بندی دوره: یادگیری ماشین به عنوان ابزاری قدرتمند برای تحلیل اجتماعی