فلش‌کارت‌های آموزشی JAGS و مدل‌های حذف شده: مقابله با داده‌های گمشده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره JAGS و مدل‌های حذف شده: مقابله با داده‌های گمشده

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های گمشده در تحلیل آماری
• 2. شناخت انواع داده‌های گمشده: MCAR, MAR, MNAR
• 3. اهمیت مدیریت داده‌های گمشده در پژوهش
• 4. روش‌های ساده حذف داده‌های گمشده: Listwise Deletion
• 5. مزایا و معایب حذف Listwise Deletion
• 6. روش‌های ساده حذف داده‌های گمشده: Pairwise Deletion
• 7. مزایا و معایب حذف Pairwise Deletion
• 8. محدودیت‌های روش‌های ساده حذف داده‌های گمشده
• 9. مقدمه‌ای بر روش‌های جایگزینی داده‌های گمشده
• 10. جایگزینی با میانگین (Mean Imputation)
• 11. مزایا و معایب جایگزینی با میانگین
• 12. جایگزینی با میانه (Median Imputation)
• 13. مزایا و معایب جایگزینی با میانه
• 14. جایگزینی با نما (Mode Imputation)
• 15. مزایا و معایب جایگزینی با نما
• 16. روش‌های جایگزینی با رگرسیون خطی ساده
• 17. آموزش جایگزینی با رگرسیون خطی
• 18. محدودیت‌های جایگزینی با رگرسیون خطی ساده
• 19. مقدمه‌ای بر مدل‌های JAGS برای داده‌های گمشده
• 20. مفهوم مدل‌سازی بیزی و کاربرد آن
• 21. آشنایی با نرم‌افزار JAGS
• 22. نصب و راه‌اندازی JAGS
• 23. نوشتن مدل‌های بیزی در JAGS
• 24. نحوه تعریف متغیرهای مشاهده شده و پنهان
• 25. مدل‌سازی داده‌های گمشده در JAGS
• 26. مدل‌سازی MCAR در JAGS
• 27. مدل‌سازی MAR در JAGS
• 28. مدل‌سازی MNAR در JAGS
• 29. مثال عملی: مدل‌سازی MCAR برای یک متغیر
• 30. مثال عملی: مدل‌سازی MAR برای یک متغیر
• 31. مثال عملی: مدل‌سازی MNAR برای یک متغیر
• 32. مقدمه‌ای بر الگوریتم‌های MCMC
• 33. روش گیبس سمپلینگ (Gibbs Sampling)
• 34. روش M-H (Metropolis-Hastings)
• 35. کاربرد MCMC در مدل‌های بیزی
• 36. پیمایش (Burn-in) در MCMC
• 37. همگرایی (Convergence) در MCMC
• 38. معیارهای ارزیابی همگرایی: R-hat
• 39. معیارهای ارزیابی همگرایی: Trace Plots
• 40. معیارهای ارزیابی همگرایی: Autocorrelation Plots
• 41. اجرای مدل‌های JAGS و تحلیل خروجی‌ها
• 42. استفاده از R برای ارتباط با JAGS
• 43. بسته‌های R برای کار با JAGS (مانند R2jags)
• 44. نوشتن اسکریپت R برای اجرای مدل JAGS
• 45. تحلیل نتایج مدل‌های جایگزینی بیزی
• 46. محاسبه آماره‌های توصیفی پس از جایگزینی
• 47. مقایسه نتایج مدل‌های مختلف جایگزینی
• 48. ارزیابی عدم قطعیت در نتایج با مدل‌های بیزی
• 49. کاربرد مدل‌های حذف شده در تحلیل‌های آماری
• 50. مفهوم مدل‌های حذف شده (Latent Variable Models)
• 51. مدل‌سازی متغیرهای پنهان با JAGS
• 52. مدل‌سازی داده‌های گمشده به عنوان متغیرهای پنهان
• 53. کاربرد مدل‌های حذف شده در روان‌سنجی
• 54. کاربرد مدل‌های حذف شده در علوم اجتماعی
• 55. کاربرد مدل‌های حذف شده در اقتصاد
• 56. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 57. GLM و داده‌های گمشده
• 58. مدل‌سازی داده‌های گمشده با استفاده از GLM و JAGS
• 59. کاربرد GLM در مدل‌سازی داده‌های گمشده برای متغیرهای طبقه‌ای
• 60. مدل‌سازی داده‌های گمشده برای متغیرهای شمارشی
• 61. مقدمه‌ای بر مدل‌های سری زمانی
• 62. مدل‌سازی داده‌های گمشده در سری‌های زمانی
• 63. کاربرد JAGS در مدل‌سازی سری‌های زمانی با داده‌های گمشده
• 64. مدل‌های ARIMA با داده‌های گمشده
• 65. مدل‌های حالت-فضای (State-Space Models) با داده‌های گمشده
• 66. کاربرد مدل‌های حذف شده در داده‌های گمشده سری زمانی
• 67. مقدمه‌ای بر روش‌های پیشرفته جایگزینی
• 68. جایگزینی چندگانه (Multiple Imputation)
• 69. مقدمه‌ای بر الگوریتم MICE
• 70. اجرای MICE در R
• 71. مقایسه MICE با روش‌های بیزی JAGS
• 72. کاربرد MICE در تحلیل داده‌های گمشده
• 73. مقدمه‌ای بر مدل‌سازی ساختاری معادلات (SEM)
• 74. SEM و داده‌های گمشده
• 75. مدل‌سازی داده‌های گمشده در SEM با JAGS
• 76. ارزیابی نقش داده‌های گمشده در SEM
• 77. کاربرد SEM برای تحلیل داده‌های گمشده در پژوهش‌های رفتاری
• 78. مقدمه‌ای بر یادگیری ماشین و داده‌های گمشده
• 79. روش‌های یادگیری ماشین برای جایگزینی داده‌های گمشده
• 80. K-Nearest Neighbors Imputation
• 81. Decision Tree Imputation
• 82. Random Forest Imputation
• 83. کاربرد مدل‌های حذف شده در یادگیری ماشین
• 84. ملاحظات اخلاقی در مدیریت داده‌های گمشده
• 85. حفظ حریم خصوصی و محرمانگی داده‌ها
• 86. شفافیت در گزارش‌دهی روش‌های مدیریت داده‌های گمشده
• 87. تفسیر نتایج با در نظر گرفتن عدم قطعیت داده‌های گمشده
• 88. مطالعات موردی: کاربرد JAGS در حل مسائل واقعی داده‌های گمشده
• 89. مطالعه موردی ۱: تحلیل داده‌های پزشکی با داده‌های گمشده
• 90. مطالعه موردی ۲: تحلیل داده‌های اجتماعی با داده‌های گمشده
• 91. مطالعه موردی ۳: تحلیل داده‌های اقتصادی با داده‌های گمشده
• 92. آینده پژوهش در زمینه داده‌های گمشده و مدل‌سازی بیزی
• 93. چالش‌های پیش رو در مدیریت داده‌های گمشده
• 94. پیشنهادات برای تحقیقات آتی
• 95. جمع‌بندی و مرور کلی مفاهیم کلیدی