دوره تئوری‌های حدی نوین برای شبکه‌های مالی و اجتماعی: استنتاج آماری بدون نیاز به ساختار متری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تئوری‌های حدی نوین برای شبکه‌های مالی و اجتماعی: استنتاج آماری بدون نیاز به ساختار متری

موضوع کلی: تحلیل آماری و اقتصادسنجی داده‌های شبکه‌ای

موضوع میانی: استنتاج آماری در شبکه‌های با وابستگی پیچیده

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه: چرا به تئوری جدیدی برای داده‌های شبکه‌ای نیاز داریم؟
• 2. مبانی نظریه گراف: تعاریف و مفاهیم کلیدی
• 3. انواع شبکه‌ها: اجتماعی، مالی، بیولوژیکی و تکنولوژیکی
• 4. نمایش شبکه‌ها: ماتریس مجاورت و لیست یال‌ها
• 5. آماره‌های توصیفی در شبکه‌ها: درجه، مرکزیت و ضریب خوشه‌بندی
• 6. مروری بر مبانی احتمال: فضاهای احتمال و متغیرهای تصادفی
• 7. مفاهیم همگرایی در آمار: همگرایی در احتمال، تقریباً مطمئن و در توزیع
• 8. قانون اعداد بزرگ (LLN) برای داده‌های مستقل و هم‌توزیع (i.i.d.)
• 9. قضیه حد مرکزی (CLT) برای داده‌های مستقل و هم‌توزیع (i.i.d.)
• 10. محدودیت‌های فرضیه استقلال در تحلیل شبکه‌ها
• 11. وابستگی در داده‌های سری زمانی: فرآیندهای مانا و شرایط آمیختگی (Mixing)
• 12. وابستگی در داده‌های فضایی: مفهوم فاصله و ساختار متری
• 13. شکست ساختارهای متری در شبکه‌ها: مفهوم "فاصله" در گراف
• 14. مثال نقض: چرا فاصله ژئودزیک معیار مناسبی برای وابستگی نیست؟
• 15. مفهوم وابستگی شبکه‌ای: فراتر از همبستگی فضایی و زمانی
• 16. میدان‌های تصادفی روی گراف‌ها: چارچوب رسمی برای داده‌های شبکه‌ای
• 17. معرفی مقاله الهام‌بخش: "Limit Theorems for Network Data without Metric Structure"
• 18. اهداف و نوآوری‌های کلیدی مقاله مرجع
• 19. وابستگی ضعیف در شبکه‌ها: شهود و تعاریف اولیه
• 20. معرفی شرایط آمیختگی (Mixing) کلاسیک: آلفا، بتا و فی
• 21. چرا شرایط آمیختگی کلاسیک برای بسیاری از شبکه‌ها برقرار نیست؟
• 22. مفهوم "همسایگی وابستگی" (Dependency Neighborhood) به عنوان جایگزین متریک
• 23. تعریف رسمی وابستگی فیزیکی و وابستگی تعمیم‌یافته
• 24. شرط زوال وابستگی (Dependence Decay) بدون نیاز به متریک
• 25. نقش درجه گره در کنترل وابستگی
• 26. شرایط گشتاور برای متغیرهای تصادفی روی گره‌ها
• 27. قانون اعداد بزرگ برای داده‌های شبکه‌ای: بیان قضیه
• 28. شرایط لازم برای برقراری قانون اعداد بزرگ در شبکه‌ها
• 29. اثبات شهودی قانون اعداد بزرگ شبکه‌ای
• 30. کاربردهای LLN: سازگاری برآوردگر میانگین در شبکه‌ها
• 31. قضیه حد مرکزی برای داده‌های شبکه‌ای: بیان قضیه
• 32. شرط لیندبرگ-فلر برای شبکه‌ها
• 33. نقش ساختار واریانس مجانبی در قضیه حد مرکزی شبکه‌ای
• 34. اثبات شهودی قضیه حد مرکزی با استفاده از تکنیک بلوک‌بندی
• 35. مقایسه CLT شبکه‌ای با CLT کلاسیک
• 36. استنتاج آماری برای میانگین یک متغیر در شبکه
• 37. ساخت فاصله‌های اطمینان با استفاده از CLT شبکه‌ای
• 38. آزمون فرض برای میانگین در داده‌های شبکه‌ای
• 39. مقدمه‌ای بر مدل‌های اقتصادسنجی شبکه‌ای
• 40. مدل خودرگرسیو شبکه‌ای (Network Autoregressive Model - NAR)
• 41. مسئله درون‌زایی در مدل‌های شبکه‌ای: اثرات همزمان و همبستگی
• 42. برآوردگر حداقل مربعات معمولی (OLS) در مدل‌های شبکه‌ای
• 43. ناسازگاری OLS در حضور درون‌زایی شبکه‌ای
• 44. سازگاری برآوردگر OLS تحت شرایط خاص وابستگی
• 45. توزیع مجانبی برآوردگر OLS با استفاده از CLT شبکه‌ای
• 46. استنتاج مبتنی بر OLS: آزمون‌های t و F در بستر شبکه
• 47. برآورد ماتریس واریانس-کوواریانس مجانبی
• 48. تخمین‌زننده‌های سازگار با ناهمسانی واریانس و وابستگی شبکه‌ای (HAC-type)
• 49. روش گشتاورهای تعمیم‌یافته (GMM) برای مدل‌های شبکه‌ای
• 50. انتخاب متغیرهای ابزاری (IV) در شبکه‌ها
• 51. سازگاری برآوردگر GMM/IV در مدل‌های شبکه‌ای
• 52. توزیع مجانبی برآوردگر GMM/IV
• 53. آزمون‌های تشخیصی در مدل‌های شبکه‌ای: آزمون درون‌زایی
• 54. کاربرد در شبکه‌های مالی: سرایت و ریسک سیستمی
• 55. مدل‌سازی سرایت مالی با استفاده از مدل‌های اثرات همتایان
• 56. آزمون تجربی وجود سرایت در بازارهای مالی بین‌بانکی
• 57. کاربرد در شبکه‌های اجتماعی: اثرات همتایان (Peer Effects)
• 58. شناسایی اثرات همتایان از اثرات زمینه‌ای (Contextual Effects)
• 59. استفاده از تئوری‌های حدی نوین برای استنتاج در مورد اثرات همتایان
• 60. شبکه‌های در حال رشد (Growing Networks): تعمیم قضایای حدی
• 61. شرایط لازم برای قضایای حدی در شبکه‌های با اندازه متغیر
• 62. شبکه‌های جهت‌دار: ملاحظات و تعمیم‌ها
• 63. شبکه‌های وزن‌دار: تطبیق چارچوب نظری
• 64. داده‌های پنل شبکه‌ای (Network Panel Data)
• 65. مدل‌سازی ناهمگنی مشاهده‌نشده در شبکه‌ها
• 66. بوت‌استرپ (Bootstrap) برای داده‌های شبکه‌ای
• 67. بوت‌استرپ مبتنی بر نمونه‌گیری از زیرگراف‌ها
• 68. اعتبار سنجی مجانبی روش‌های بوت‌استرپ در شبکه‌ها
• 69. روش‌های محاسباتی: چالش‌های کار با شبکه‌های بزرگ
• 70. الگوریتم‌های بهینه برای محاسبه آماره‌های شبکه‌ای
• 71. شبیه‌سازی مونت کارلو برای ارزیابی عملکرد برآوردگرها
• 72. موضوع پیشرفته: وابستگی فضایی-زمانی در شبکه‌های پویا
• 73. موضوع پیشرفته: شبکه‌های تصادفی و فرآیندهای نقطه‌ای در گراف‌ها
• 74. موضوع پیشرفته: استنتاج در مدل‌های تشکیل شبکه (Network Formation Models)
• 75. موضوع پیشرفته: شبکه‌های چندلایه و وابستگی بین لایه‌ها
• 76. موضوع پیشرفته: استنتاج بیزی در مدل‌های شبکه‌ای
• 77. مطالعه موردی ۱: تحلیل شبکه وام‌دهی بین‌بانکی
• 78. جمع‌آوری و آماده‌سازی داده‌های شبکه مالی
• 79. برآورد مدل سرایت و تفسیر نتایج
• 80. آزمون فرضیه‌های کلیدی در مورد ثبات مالی
• 81. مطالعه موردی ۲: تحلیل انتشار نوآوری در یک شبکه اجتماعی
• 82. مدل‌سازی فرآیند پذیرش محصول جدید
• 83. برآورد اثرات همتایان در تصمیم‌گیری افراد
• 84. ارزیابی سیاست‌های بازاریابی مبتنی بر شبکه
• 85. نقد و بررسی رویکرد "بدون ساختار متری"
• 86. چه زمانی این رویکرد بهترین گزینه است؟ محدودیت‌ها و جایگزین‌ها
• 87. مقایسه با رویکردهای مبتنی بر گرافون (Graphon)
• 88. مقایسه با رویکردهای یادگیری ماشین و یادگیری عمیق روی گراف‌ها
• 89. مسائل باز و مسیرهای تحقیقاتی آینده در این حوزه
• 90. جمع‌بندی دوره: تلفیق تئوری، استنتاج و کاربرد
• 91. پروژه نهایی: پیاده‌سازی و تحلیل یک مجموعه داده شبکه‌ای واقعی