دوره طراحی آزمایش‌های هوشمندانه: از شواهد محلی تا اثرات فراگیر سیاست‌گذاری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب طراحی آزمایش‌های هوشمندانه: از شواهد محلی تا اثرات فراگیر سیاست‌گذاری

موضوع کلی: روش‌شناسی طراحی و ارزیابی مطالعات اثرسنجی

موضوع میانی: ادغام شواهد تجربی و مشاهده‌ای برای تعمیم و سیاست‌گذاری

📋 سرفصل‌های کتاب (100 موضوع)

• 1. عنوان دوره: طراحی آزمایش‌های هوشمندانه: از شواهد محلی تا اثرات فراگیر سیاست‌گذاری**
• 2. بخش اول: مبانی و مقدمات**
• 3. مقدمه‌ای بر اثرسنجی و سیاست‌گذاری مبتنی بر شواهد
• 4. تفاوت همبستگی و علیت: چرا به طراحی مطالعه نیاز داریم؟
• 5. مشکل بنیادین استنتاج علی (The Fundamental Problem of Causal Inference)
• 6. چارچوب نتایج بالقوه (Potential Outcomes Framework)
• 7. آزمایش‌های کنترل‌شده تصادفی (RCTs) به عنوان استاندارد طلایی
• 8. شواهد مشاهده‌ای: داده‌های پیمایشی، ثبتی و اداری
• 9. نقاط قوت و ضعف شواهد تجربی
• 10. نقاط قوت و ضعف شواهد مشاهده‌ای
• 11. مفهوم اعتبار داخلی (Internal Validity)
• 12. مفهوم اعتبار خارجی (External Validity) و تعمیم‌پذیری
• 13. تنش ذاتی میان اعتبار داخلی و خارجی
• 14. چرا نتایج یک آزمایش محلی ممکن است قابل تعمیم نباشد؟
• 15. بخش دوم: چارچوب نظری ادغام شواهد**
• 16. جامعه هدف سیاست‌گذاری (Population of Interest)
• 17. نمونه آزمایشی (Experimental Sample)
• 18. اثر درمانی میانگین در نمونه (Sample Average Treatment Effect - SATE)
• 19. اثر درمانی میانگین در جامعه (Population Average Treatment Effect - PATE)
• 20. هدف نهایی: یادگیری در مورد PATE با استفاده از SATE
• 21. مفهوم تورش انتخاب در تعمیم‌پذیری (Generalizability Bias)
• 22. نقش متغیرهای کمکی (Covariates) در فهم تفاوت‌ها
• 23. فرض نادیده‌انگاری (Ignorability) در انتخاب نمونه
• 24. فرمول‌بندی ریاضی تفاوت میان SATE و PATE
• 25. نقش ناهمگونی اثرات درمانی (Treatment Effect Heterogeneity)
• 26. اثر درمانی میانگین شرطی (Conditional Average Treatment Effect - CATE)
• 27. بخش سوم: روش‌های برآورد اثر در جامعه**
• 28. برآوردگر ساده: تفاوت میانگین‌ها در نمونه آزمایشی
• 29. چرا تفاوت میانگین‌ها یک برآوردگر تورش‌دار برای PATE است؟
• 30. مقدمه‌ای بر روش‌های وزن‌دهی (Weighting Methods)
• 31. امتیاز تمایل به مشارکت در آزمایش (Propensity to Participate)
• 32. برآورد امتیاز تمایل با استفاده از داده‌های مشاهده‌ای
• 33. برآوردگر وزن‌دهی معکوس احتمال (Inverse Probability Weighting - IPW)
• 34. مشکلات عملی وزن‌های بزرگ و راه‌حل‌ها
• 35. روش‌های مبتنی بر مدل‌سازی نتایج (Outcome Modeling)
• 36. استفاده از رگرسیون برای پیش‌بینی اثرات درمانی در جامعه
• 37. برآوردگرهای دوچندان استوار (Doubly Robust Estimators)
• 38. مقایسه عملکرد برآوردگرهای مختلف
• 39. بخش چهارم: ارزیابی کیفیت برآوردگرها**
• 40. مفهوم تورش (Bias) و واریانس (Variance) در برآوردگرها
• 41. مبادله میان تورش و واریانس (Bias-Variance Tradeoff)
• 42. معیار میانگین مربعات خطا (Mean Squared Error - MSE)
• 43. تجزیه میانگین مربعات خطا: مولفه تورش و مولفه واریانس
• 44. چگونه انتخاب نمونه آزمایشی بر تورش و واریانس تأثیر می‌گذارد؟
• 45. نقش داده‌های مشاهده‌ای در کاهش واریانس
• 46. نقش داده‌های مشاهده‌ای در برآورد و کاهش تورش
• 47. اهمیت حجم نمونه مشاهده‌ای
• 48. اهمیت غنای متغیرهای کمکی در داده‌های مشاهده‌ای
• 49. بخش پنجم: طراحی آزمایش برای تعمیم‌پذیری**
• 50. طراحی آزمایش به مثابه یک مسئله تصمیم‌گیری
• 51. هدف طراحی: انتخاب نمونه آزمایشی برای به حداقل رساندن MSE
• 52. طراحی مبتنی بر نمونه‌گیری تصادفی ساده از جامعه
• 53. چرا نمونه‌گیری تصادفی ساده همیشه بهینه نیست؟
• 54. طراحی مبتنی بر نمونه‌گیری طبقه‌بندی‌شده (Stratified Sampling)
• 55. مفهوم «طراحی بهینه» بر اساس اطلاعات مشاهده‌ای پیشین
• 56. استخراج تابع هدف: فرمول MSE به عنوان تابعی از طراحی نمونه
• 57. تحلیل مولفه تورش در MSE: چگونه طراحی بر آن اثر می‌گذارد؟
• 58. تحلیل مولفه واریانس در MSE: چگونه طراحی بر آن اثر می‌گذارد؟
• 59. استخراج شرایط بهینگی برای انتخاب نمونه آزمایشی
• 60. نمونه‌گیری بهینه: تمرکز بر نواحی با عدم قطعیت بالا
• 61. نمونه‌گیری بهینه: تمرکز بر نواحی با ناهمگونی اثر بالا
• 62. نمونه‌گیری بهینه: تمرکز بر زیرگروه‌های کم‌نماینده در نمونه مشاهده‌ای
• 63. بخش ششم: استراتژی‌های عملی طراحی هوشمندانه**
• 64. الگوریتم گام به گام برای طراحی آزمایش بهینه
• 65. فاز اول: جمع‌آوری و تحلیل داده‌های مشاهده‌ای
• 66. فاز دوم: مدل‌سازی اولیه اثرات درمانی و ناهمگونی‌ها
• 67. فاز سوم: محاسبه تابع بهینگی برای هر واحد در جامعه
• 68. فاز چهارم: انتخاب نمونه بر اساس معیارهای بهینگی
• 69. مقایسه طراحی بهینه با طراحی تصادفی ساده: شبیه‌سازی
• 70. مقایسه طراحی بهینه با طراحی طبقه‌بندی‌شده متعارف
• 71. نقش پیش‌فرض‌ها در مورد ناهمگونی اثر در طراحی
• 72. تحلیل حساسیت نتایج طراحی نسبت به پیش‌فرض‌ها
• 73. بخش هفتم: موضوعات پیشرفته و ملاحظات تکمیلی**
• 74. طراحی بهینه برای یادگیری اثرات شرطی (CATE)
• 75. لحاظ کردن هزینه‌های متفاوت نمونه‌گیری در طراحی بهینه
• 76. طراحی آزمایش‌های چندمرحله‌ای و یادگیری انطباقی (Adaptive Learning)
• 77. ادغام داده‌های کیفی برای فهم بهتر مکانیزم‌ها
• 78. ملاحظات اخلاقی در انتخاب هدفمند نمونه آزمایشی
• 79. اثرات سرریز (Spillover Effects) و نحوه مواجهه با آن در طراحی
• 80. تعمیم‌پذیری به جوامع یا زمان‌های دیگر (Transportability)
• 81. استفاده از یادگیری ماشین برای مدل‌سازی ناهمگونی اثرات
• 82. اعتبارسنجی متقابل (Cross-Validation) برای انتخاب مدل
• 83. محدودیت‌های عملی در پیاده‌سازی طراحی بهینه
• 84. بخش هشتم: مطالعات موردی و کاربردها**
• 85. مطالعه موردی ۱: ارزیابی یک برنامه آموزشی و تعمیم نتایج
• 86. مطالعه موردی ۲: سیاست‌گذاری در حوزه سلامت عمومی
• 87. مطالعه موردی ۳: آزمایش یک محصول جدید در بازاریابی
• 88. مطالعه موردی ۴: ارزیابی یک سیاست یارانه انرژی
• 89. مطالعه موردی ۵: طراحی آزمایش برای یک پلتفرم آنلاین
• 90. بخش نهم: از تحلیل تا سیاست‌گذاری**
• 91. نحوه گزارش‌دهی و بصری‌سازی نتایج ترکیبی
• 92. ارائه عدم قطعیت در برآوردهای تعمیم‌یافته
• 93. ترجمه شواهد به تصمیمات سیاستی ملموس
• 94. نقش تحلیل هزینه-فایده در کنار اثرسنجی
• 95. چالش‌های ارتباط با سیاست‌گذاران و ذی‌نفعان
• 96. ایجاد داشبوردهای تعاملی برای کاوش در نتایج
• 97. مقیاس‌پذیر کردن (Scaling up) مداخلات موفق
• 98. بخش دهم: جمع‌بندی و نگاه به آینده**
• 99. خلاصه چارچوب ادغام شواهد تجربی و مشاهده‌ای
• 100. ده فرمان برای طراحی آزمایش‌های قابل تعمیم