دوره رمزگشایی از روابط علّی پنهان: تحلیل حساسیت اثر مشتق میانگین (ADE) برای مواجهه‌های پیوسته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب رمزگشایی از روابط علّی پنهان: تحلیل حساسیت اثر مشتق میانگین (ADE) برای مواجهه‌های پیوسته

موضوع کلی: استنتاج علّی در مطالعات مشاهده‌ای

موضوع میانی: تحلیل حساسیت در استنتاج علّی با مواجهه‌های پیوسته

📋 سرفصل‌های کتاب (100 موضوع)

• 1. بخش اول: مبانی استنتاج علّی و چارچوب نتایج بالقوه
• 2. مقدمه‌ای بر استنتاج علّی: فراتر از همبستگی
• 3. چارچوب نتایج بالقوه (Potential Outcomes)
• 4. اثر درمانی میانگین (ATE) برای مواجهه‌های دوتایی
• 5. تورِش در مطالعات مشاهده‌ای: انواع و منابع آن
• 6. مفهوم مخدوش‌گری (Confounding)
• 7. شناسایی و کنترل مخدوش‌گرها: روش‌های کلاسیک
• 8. فرض نادیده‌انگاری (Ignorability) یا تعویض‌پذیری (Exchangeability)
• 9. نمودارهای علّی (DAGs) به عنوان ابزاری برای تفکر علّی
• 10. معیار درب پشتی (Backdoor Criterion) برای انتخاب متغیرهای کنترلی
• 11. متغیرهای میانجی (Mediators) و متغیرهای تصادفی (Colliders)
• 12. محدودیت‌های روش‌های مبتنی بر کنترل: مسئله متغیرهای پنهان
• 13. بخش دوم: حرکت به سوی مواجهه‌های پیوسته
• 14. چرا مواجهه‌های پیوسته اهمیت دارند؟ (دوز دارو، میزان تحصیلات و...)
• 15. محدودیت‌های دسته‌بندی کردن مواجهه‌های پیوسته
• 16. مفهوم تابع پاسخ-دوز (Dose-Response Function)
• 17. تعریف اثر علّی برای یک واحد در مواجهه پیوسته
• 18. تعمیم چارچوب نتایج بالقوه به مواجهه‌های پیوسته
• 19. فرض نادیده‌انگاری تعمیم‌یافته برای مواجهه‌های پیوسته
• 20. چالش‌های شناسایی تابع کامل پاسخ-دوز
• 21. نیاز به یک پارامتر خلاصه‌کننده برای اثر علّی پیوسته
• 22. بخش سوم: معرفی و برآورد اثر مشتق میانگین (ADE)
• 23. معرفی اثر مشتق میانگین (Average Derivative Effect - ADE)
• 24. تفسیر شهودی ADE: نرخ تغییر لحظه‌ای میانگین پیامد
• 25. مقایسه ADE با ضریب رگرسیون خطی
• 26. ADE به عنوان یک خلاصه تک‌عددی از یک رابطه پیچیده
• 27. پیش‌فرض‌های لازم برای شناسایی ADE
• 28. ارتباط ADE با مدل‌های غیرخطی
• 29. برآورد ADE با استفاده از رگرسیون خطی ساده
• 30. فرمول‌بندی رگرسیونی برای ADE: مدل خطی جزئی (Partially Linear Model)
• 31. روش برآورد دو مرحله‌ای برای مدل خطی جزئی
• 32. مرحله اول: پاک‌سازی اثر متغیرهای کمکی از پیامد و مواجهه
• 33. مرحله دوم: استفاده از باقیمانده‌ها برای برآورد ADE
• 34. تفسیر باقیمانده‌ها به عنوان بخش‌های "نامرتبط" با متغیرهای مشاهده‌شده
• 35. مزایای روش دو مرحله‌ای: انعطاف‌پذیری و استواری
• 36. محاسبه خطای استاندارد و فواصل اطمینان برای ADE
• 37. روش بوت‌استرپ (Bootstrap) برای استنتاج آماری ADE
• 38. بخش چهارم: مشکل اصلی: تورش ناشی از مخدوش‌گر پنهان
• 39. فرض نادیده‌انگاری در عمل: یک فرض قوی و اغلب غیرواقعی
• 40. مخدوش‌گر مشاهده‌نشده: تهدید پنهان در استنتاج علّی
• 41. چگونه یک مخدوش‌گر مشاهده‌نشده، برآورد ADE را دچار تورش می‌کند؟
• 42. فرمول کلاسیک تورش متغیر پنهان (Omitted Variable Bias)
• 43. جهت و اندازه تورش: چه عواملی آن را تعیین می‌کنند؟
• 44. چرا نمی‌توانیم با داده‌های موجود، وجود تورش را رد یا تأیید کنیم؟
• 45. محدودیت اطمینان به نتایج مبتنی بر فرض نادیده‌انگاری
• 46. نیاز به تحلیل حساسیت: سنجش میزان شکنندگی نتایج
• 47. بخش پنجم: مقدمه‌ای بر تحلیل حساسیت
• 48. تحلیل حساسیت چیست؟ منطق و فلسفه آن
• 49. پرسش کلیدی تحلیل حساسیت: "یک مخدوش‌گر پنهان چقدر باید قوی باشد تا نتیجه را تغییر دهد؟"
• 50. پارامترهای حساسیت: ابزارهایی برای سنجش قدرت مخدوش‌گر پنهان
• 51. رویکردهای مختلف تحلیل حساسیت: مروری کلی
• 52. چالش‌های تحلیل حساسیت برای مواجهه‌های پیوسته
• 53. ایده اصلی مقاله: استفاده از R-squared برای پارامتریزه کردن تورش
• 54. مزیت استفاده از R-squared: تفسیرپذیری و مقایسه با متغیرهای مشاهده‌شده
• 55. بخش ششم: تشریح روش تحلیل حساسیت برای ADE
• 56. فرمول‌بندی تورش برای ADE بر اساس یک مخدوش‌گر پنهان (Z)
• 57. معرفی پارامترهای حساسیت: R²_{Y~Z|X,T} و R²_{T~Z|X}
• 58. تفسیر پارامتر اول: سهم مخدوش‌گر پنهان در تبیین واریانس پیامد
• 59. تفسیر پارامتر دوم: سهم مخدوش‌گر پنهان در تبیین واریانس مواجهه
• 60. ارتباط این پارامترها با ضرایب همبستگی جزئی
• 61. فرمول نهایی تورش به عنوان تابعی از پارامترهای حساسیت
• 62. محاسبه کران تورش (Bound on the Bias) برای ADE
• 63. اثر علّی تعدیل‌شده: ADE_adjusted = ADE_estimated - Bias
• 64. ساختن سناریوهای مختلف: "چه می‌شد اگر...؟"
• 65. تحلیل حساسیت برای نقطه برآورد: چه زمانی علامت اثر تغییر می‌کند؟
• 66. تحلیل حساسیت برای استنتاج آماری: چه زمانی نتیجه از نظر آماری بی‌معنا می‌شود؟
• 67. بخش هفتم: شاخص‌های کلیدی و ابزارهای بصری
• 68. شاخص استواری (Robustness Value - RV): تعریف و مفهوم
• 69. تفسیر RV: حداقل قدرتی که مخدوش‌گر پنهان باید داشته باشد
• 70. محاسبه RV_q: برای تغییر نتیجه به مقدار q (معمولاً صفر)
• 71. محاسبه RV_{q,alpha}: برای تغییر معناداری آماری نتیجه
• 72. منطق بنچمارکینگ (Benchmarking): مقایسه استواری با متغیرهای کمکی مشاهده‌شده
• 73. آیا یک مخدوش‌گر پنهان "قوی‌تر" از متغیرهای مشاهده‌شده محتمل است؟
• 74. چگونه قدرت متغیرهای کمکی مشاهده‌شده را محاسبه کنیم؟ (R-squared جزئی)
• 75. رسم نمودار حساسیت کانتور (Contour Plot) برای برآورد نقطه‌ای
• 76. تفسیر محورهای نمودار کانتور: قدرت ارتباط مخدوش‌گر با پیامد و مواجهه
• 77. تفسیر خط کانتور صفر: مرز تغییر علامت اثر
• 78. افزودن نقاط بنچمارک به نمودار کانتور برای مقایسه
• 79. رسم نمودار حساسیت کانتور برای معناداری آماری
• 80. تفسیر خط کانتور معناداری: مرز از دست رفتن معناداری آماری
• 81. رسم نمودار حساسیت اکستریم (Extreme Scenario Plot)
• 82. تفسیر نمودار اکستریم: بررسی بدترین سناریوی ممکن برای تورش
• 83. ترکیب تحلیل عددی (RV) و تحلیل بصری (نمودارها)
• 84. بخش هشتم: پیاده‌سازی عملی و مطالعات موردی
• 85. معرفی بسته نرم‌افزاری `sensemakr` در زبان R
• 86. نصب و آماده‌سازی داده‌ها برای تحلیل حساسیت
• 87. اجرای تابع اصلی `sensemakr()`: ورودی‌ها و خروجی‌های کلیدی
• 88. تفسیر خروجی متنی تابع: جدول حساسیت و مقادیر RV
• 89. تولید و سفارشی‌سازی نمودار کانتور با استفاده از توابع بسته
• 90. تولید و سفارشی‌سازی نمودار اکستریم
• 91. مطالعه موردی اول: تأثیر دموکراسی بر رشد اقتصادی
• 92. بررسی داده‌ها و برآورد مدل اصلی (ADE) برای مطالعه موردی اول
• 93. اجرای تحلیل حساسیت و تفسیر RV و نمودارها برای مطالعه موردی اول
• 94. مطالعه موردی دوم: تأثیر تحصیلات مادر بر وزن نوزاد
• 95. بررسی داده‌ها و برآورد مدل اصلی (ADE) برای مطالعه موردی دوم
• 96. اجرای تحلیل حساسیت و تفسیر نتایج برای مطالعه موردی دوم
• 97. بخش نهم: موضوعات پیشرفته و ملاحظات نهایی
• 98. تعمیم تحلیل حساسیت به چند مخدوش‌گر پنهان
• 99. ملاحظاتی در مورد انتخاب مجموعه متغیرهای کمکی برای بنچمارکینگ
• 100. اثرات ناهمگون مواجهه (Treatment Effect Heterogeneity) و تحلیل حساسیت