دوره استنباط علّی در تشخیص و تصحیح سوگیری هم‌بستگی (Confounding Bias) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنباط علّی در تشخیص و تصحیح سوگیری هم‌بستگی (Confounding Bias)

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: استنباط علّی در پیش‌گیری از سوگیری (Bias Prevention)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر استنباط علّی
• 2. مفهوم علیت چیست؟
• 3. تعریف و اهمیت استنباط علّی
• 4. تفاوت همبستگی و علیت
• 5. ضرورت درک رابطه علّی
• 6. چالش‌های کلیدی در استنباط علّی
• 7. مقدمه ای بر سوگیری هم‌بستگی (Confounding Bias)
• 8. تعریف سوگیری هم‌بستگی
• 9. شناسایی عوامل مخدوش‌کننده
• 10. اثرات نامطلوب سوگیری هم‌بستگی
• 11. نحوه بروز سوگیری هم‌بستگی در داده‌ها
• 12. انواع سوگیری هم‌بستگی
• 13. اهمیت تشخیص سوگیری هم‌بستگی
• 14. روش‌های کلی برای تشخیص سوگیری هم‌بستگی
• 15. مفهوم متغیر مخدوش‌کننده (Confounder)
• 16. ویژگی‌های یک متغیر مخدوش‌کننده
• 17. مثال‌های کلاسیک از سوگیری هم‌بستگی
• 18. سوگیری انتخاب (Selection Bias) و ارتباط آن با مخدوش‌کنندگی
• 19. سوگیری اطلاعات (Information Bias) و ارتباط آن با مخدوش‌کنندگی
• 20. تعریف سوگیری ناهمگنی (Effect Modification)
• 21. تفاوت سوگیری هم‌بستگی و ناهمگنی
• 22. اهمیت تفکیک سوگیری هم‌بستگی و ناهمگنی
• 23. آزمون‌های آماری برای تشخیص مخدوش‌کنندگی
• 24. روش‌های بصری برای تشخیص مخدوش‌کنندگی
• 25. تحلیل حساسیت (Sensitivity Analysis) برای مخدوش‌کنندگی
• 26. نقش مدل‌های آماری در تشخیص مخدوش‌کنندگی
• 27. مدل‌های خطی تعمیم‌یافته (GLMs) و مخدوش‌کنندگی
• 28. مدل‌های طبقه‌بندی (Stratification) و مخدوش‌کنندگی
• 29. کوورت‌بندی (Matching) برای کنترل مخدوش‌کنندگی
• 30. نسبت‌بندی گرایش (Propensity Score Matching)
• 31. نحوه محاسبه نسبت گرایش
• 32. استفاده از نسبت گرایش برای کوورت‌بندی
• 33. تطبیق درجه‌بندی (Propensity Score Stratification)
• 34. تطبیق وزن‌دهی (Propensity Score Weighting)
• 35. معکوس وزن‌دهی احتمال معکوس (Inverse Probability Weighting - IPW)
• 36. روش‌های مبتنی بر نمودار علّی (Causal Graphs)
• 37. مقدمه ای بر نمودارهای جهت‌دار غیردور (Directed Acyclic Graphs - DAGs)
• 38. اجزای نمودارهای DAG
• 39. قاعده تفاوت (Backdoor Criterion) برای شناسایی مخدوش‌کنندگی
• 40. قاعده جلورود (Frontdoor Criterion) برای شناسایی مخدوش‌کنندگی
• 41. کاربرد DAGs در شناسایی متغیرهای مخدوش‌کننده
• 42. نحوه رسم نمودار DAG برای یک مسئله خاص
• 43. اعتبارسنجی نمودارهای DAG
• 44. روش‌های مبتنی بر مداخله (Interventional Approaches)
• 45. مفهوم مداخله در استنباط علّی
• 46. عملگر do (Do-calculus) در استنباط علّی
• 47. کاربرد عملگر do برای کنترل مخدوش‌کنندگی
• 48. آزمون‌های مداخله‌ای (Interventional Studies)
• 49. محدودیت‌های مطالعات مشاهده‌ای در استنباط علّی
• 50. مزایای مطالعات کارآزمایی بالینی تصادفی شده (RCTs)
• 51. نقش RCTs در حذف سوگیری هم‌بستگی
• 52. محدودیت‌های RCTs
• 53. اصول طراحی مطالعات برای کاهش مخدوش‌کنندگی
• 54. انتخاب گروه‌های مقایسه مناسب
• 55. تکثیر (Replication) در مطالعات
• 56. اندازه‌گیری دقیق متغیرهای کلیدی
• 57. توجه به متغیرهای غیرمستقیم (Mediators)
• 58. توجه به متغیرهای تعدیل‌کننده (Moderators)
• 59. استفاده از دانش پیشین در شناسایی مخدوش‌کننده‌ها
• 60. ملاحظات اخلاقی در استنباط علّی
• 61. پایگاه‌های داده و جمع‌آوری اطلاعات
• 62. کیفیت داده‌ها و تأثیر آن بر استنباط علّی
• 63. مدیریت داده‌های گمشده (Missing Data)
• 64. اثرات متغیرهای آستانه‌ای (Threshold Effects)
• 65. بررسی اثرات غیرخطی (Non-linear Effects)
• 66. مدل‌سازی پویای علیت (Dynamic Causal Modeling)
• 67. سری‌های زمانی و استنباط علّی
• 68. تکنیک‌های یادگیری ماشین در استنباط علّی
• 69. شبکه‌های عصبی برای استنباط علّی
• 70. درختان تصمیم و جنگل‌های تصادفی برای استنباط علّی
• 71. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 72. نرم‌افزارهای آماری برای استنباط علّی
• 73. استنباط علّی در علوم پزشکی
• 74. استنباط علّی در اقتصاد
• 75. استنباط علّی در علوم اجتماعی
• 76. استنباط علّی در علوم محیطی
• 77. استنباط علّی در یادگیری ماشین
• 78. مطالعه موردی: تشخیص سوگیری هم‌بستگی در یک مطالعه پزشکی
• 79. مطالعه موردی: تصحیح سوگیری هم‌بستگی در یک مطالعه اقتصادی
• 80. چالش‌های عملی در اجرای روش‌های استنباط علّی
• 81. معیارهای ارزیابی کیفیت استنباط علّی
• 82. اهمیت شفافیت در گزارش‌دهی نتایج
• 83. آینده استنباط علّی و تشخیص سوگیری هم‌بستگی