دوره مدل‌های اقتصادسنجی نامعین: قدرت مجموعه‌های تصادفی و آمار متری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مدل‌های اقتصادسنجی نامعین: قدرت مجموعه‌های تصادفی و آمار متری

موضوع کلی: روش‌های کمی پیشرفته در آمار و اقتصادسنجی

موضوع میانی: نظریه مجموعه‌های تصادفی و آمار متری

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر عدم قطعیت نایتین در اقتصادسنجی
• 2. فراتر از متغیرهای تصادفی: نیاز به یک پارادایم جدید
• 3. مروری بر نظریه احتمال و اندازه برای اقتصادسنجی
• 4. فضاهای متریک: اصول، تعاریف و مثال‌ها
• 5. توپولوژی پایه برای آمارشناسان: مجموعه‌های باز، بسته و فشرده
• 6. فضاهای برداری نرم‌دار و فضاهای باناخ
• 7. پیوستگی و همگرایی در فضاهای متریک
• 8. مقدمه‌ای بر هندسه محدب: مجموعه‌های محدب و توابع محدب
• 9. قضایای جداسازی هایپرتل‌ها و کاربردهای آن
• 10. تعریف رسمی مجموعه تصادفی (Random Closed Set - RACS)
• 11. مثال‌هایی از مجموعه‌های تصادفی در علوم اقتصادی و اجتماعی
• 12. تابع پوشش (Covering Function) و توزیع یک مجموعه تصادفی
• 13. تابع ظرفیت (Capacity Functional) و ویژگی‌های آن
• 14. قضیه ظرفیت شوکه (Choquet's Capacity Theorem)
• 15. ارتباط بین مجموعه‌های تصادفی و فرآیندهای نقطه‌ای
• 16. قضایای انتخاب‌پذیری (Selection Theorems) و اهمیت آن‌ها
• 17. انتگرال آومان: امید ریاضی یک مجموعه تصادفی
• 18. ویژگی‌های اساسی انتگرال آومان
• 19. تفسیر اقتصادی امید ریاضی یک مجموعه تصادفی
• 20. قانون اعداد بزرگ برای مجموعه‌های تصادفی (نسخه آومان)
• 21. فضای مجموعه‌های فشرده و محدب
• 22. معرفی متریک هاوسدورف
• 23. ویژگی‌های هندسی و توپولوژیکی متریک هاوسدورف
• 24. کامل بودن فضای مجموعه‌های فشرده تحت متریک هاوسدورف
• 25. همگرایی مجموعه‌ها در متریک هاوسدورف
• 26. آمار توصیفی برای داده‌های مجموعه‌ای: مصورسازی و خلاصه‌سازی
• 27. میانگین فرشه: تعمیم میانگین به فضاهای متریک
• 28. وجود و یکتایی میانگین فرشه برای مجموعه‌های تصادفی
• 29. برآورد میانگین فرشه از داده‌های نمونه‌ای
• 30. سازگاری برآوردگر میانگین فرشه
• 31. واریانس فرشه و معیارهای پراکندگی برای مجموعه‌های تصادفی
• 32. برآورد واریانس فرشه
• 33. قضیه حد مرکزی برای مجموعه‌های تصادفی در فضای هاوسدورف
• 34. کاربردهای قضیه حد مرکزی در ساخت نواحی اطمینان
• 35. بوت استرپ (Bootstrap) برای مجموعه‌های تصادفی
• 36. اعتبارسنجی روش‌های بوت استرپ در فضاهای متریک
• 37. ساخت نواحی اطمینان با استفاده از بوت استرپ
• 38. آزمون فرض تک نمونه‌ای برای میانگین مجموعه
• 39. آزمون فرض دو نمونه‌ای: مقایسه میانگین دو جامعه مجموعه‌ای
• 40. تحلیل واریانس (ANOVA) برای داده‌های مجموعه‌ای
• 41. مفهوم عمق داده (Data Depth) برای مجموعه‌های تصادفی
• 42. عمق توکی (Tukey Depth) برای داده‌های مجموعه‌ای
• 43. کاربرد عمق داده در شناسایی مشاهدات پرت مجموعه‌ای
• 44. رگرسیون با متغیر وابسته مجموعه‌ای: مقدمه
• 45. مدل رگرسیون هاوسدورف
• 46. برآورد پارامترها در رگرسیون مجموعه‌ای
• 47. استنتاج آماری برای ضرایب رگرسیون مجموعه‌ای
• 48. پیش‌بینی یک مجموعه بر اساس متغیرهای مستقل
• 49. رگرسیون با متغیرهای مستقل بازه‌ای یا مجموعه‌ای
• 50. چالش‌های محاسباتی در رگرسیون مجموعه‌ای
• 51. مدل‌های اقتصادسنجی شناسایی‌شده-مجموعه‌ای (Set-Identified Models)
• 52. مثال‌ها: متغیرهای حذف‌شده و خطای اندازه‌گیری
• 53. استنتاج در مدل‌های با پارامترهای بازه‌ای
• 54. نواحی اطمینان برای پارامترهای شناسایی‌شده-مجموعه‌ای
• 55. رویکرد proyección و کاربرد آن
• 56. رویکردهای مبتنی بر توابع معیار (Criterion Functions)
• 57. مقدمه‌ای بر استنتاج لحظه‌ای تعمیم‌یافته (GMM) برای مدل‌های مجموعه‌ای
• 58. کاربرد مجموعه‌های تصادفی در تحلیل داده‌های بازه‌ای
• 59. تحلیل داده‌های پیمایشی با پاسخ‌های بازه‌ای (مانند درآمد و سن)
• 60. کاربرد در اقتصاد مالی: مدل‌سازی اسپرد قیمت خرید و فروش (Bid-Ask Spread)
• 61. پرتفوی بهینه تحت عدم قطعیت و ابهام
• 62. مدل‌سازی پیش‌بینی‌های بازه‌ای در اقتصاد کلان
• 63. کاربرد در نظریه بازی‌ها: مجموعه‌های تعادل‌های ممکن
• 64. کاربرد در اقتصاد خرد: انتخاب مصرف‌کننده با ترجیحات ناقص
• 65. کاربرد در اقتصاد کار: بازه‌های دستمزد پیشنهادی
• 66. بهینه‌سازی تحت قیود مجموعه‌ای تصادفی
• 67. برنامه‌ریزی تصادفی با پارامترهای نامعین
• 68. روش‌های کاهش بُعد برای داده‌های مجموعه‌ای
• 69. تحلیل مؤلفه‌های اصلی (PCA) برای مجموعه‌های تصادفی
• 70. خوشه‌بندی (Clustering) داده‌های مجموعه‌ای
• 71. الگوریتم‌های خوشه‌بندی مبتنی بر متریک هاوسدورف
• 72. مقدمه‌ای بر مجموعه‌های تصادفی فازی
• 73. تلفیق نظریه فازی و مجموعه‌های تصادفی برای مدل‌سازی ابهام مضاعف
• 74. آمار و استنتاج برای مجموعه‌های تصادفی فازی
• 75. قانون اعداد بزرگ برای متغیرهای زبانی (Linguistic Variables)
• 76. ارتباط نظریه مجموعه‌های تصادفی با آمار مقاوم (Robust Statistics)
• 77. ارتباط با نظریه شواهد دمپستر-شفر (Dempster-Shafer Theory)
• 78. توابع باور (Belief Functions) به عنوان حالت خاصی از مجموعه‌های تصادفی
• 79. محاسبات آماری برای مجموعه‌های تصادفی: نرم‌افزارها و کتابخانه‌ها
• 80. الگوریتم‌های بهینه‌سازی برای یافتن میانگین فرشه
• 81. چالش‌های کار با داده‌های مجموعه‌ای با ابعاد بالا
• 82. مجموعه‌های تصادفی در فضاهای غیر اقلیدسی
• 83. میانگین فرشه روی منیفلدها
• 84. کاربرد در تحلیل اشکال (Shape Analysis)
• 85. مجموعه‌های تصادفی پویا و سری‌های زمانی مجموعه‌ای
• 86. مدل‌های اتورگرسیو برای سری‌های زمانی مجموعه‌ای
• 87. پیش‌بینی سری‌های زمانی بازه‌ای
• 88. نقش مجموعه‌های تصادفی در یادگیری ماشین
• 89. طبقه‌بندی (Classification) مشاهدات مجموعه‌ای
• 90. رگرسیون کرنل برای داده‌های مجموعه‌ای
• 91. موضوعات پیشرفته: توپولوژی تصادفی و کاربردهای آن
• 92. اعداد بتی (Betti Numbers) تصادفی
• 93. همسانی‌شناسی پایدار (Persistent Homology) برای داده‌های تصادفی
• 94. نقد و بررسی محدودیت‌های رویکرد مجموعه‌های تصادفی
• 95. مقایسه با سایر رویکردهای مدل‌سازی عدم قطعیت
• 96. مسائل باز پژوهشی در آمار متری و مجموعه‌های تصادفی
• 97. افق‌های آینده: تلفیق با یادگیری عمیق
• 98. جمع‌بندی نهایی و مرور یکپارچه مفاهیم دوره