کتاب صوتی طراحی مؤثر نمونه برای رگرسیون خطی: کاهش بایاس در مطالعات مشاهده‌ای

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب طراحی مؤثر نمونه برای رگرسیون خطی: کاهش بایاس در مطالعات مشاهده‌ای

موضوع کلی: آمار پیشرفته و استنتاج در مطالعات مشاهده‌ای

موضوع میانی: بهینه‌سازی نمونه‌گیری و تعادل متغیرها در رگرسیون

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی رگرسیون خطی: مروری بر مفاهیم اساسی
• 2. آشنایی با انواع مطالعات مشاهده‌ای و چالش‌های آن‌ها
• 3. نقش طراحی مطالعه در مطالعات مشاهده‌ای
• 4. بایاس و انواع آن: یک مقدمه
• 5. معرفی متغیرهای مخدوشگر و اهمیت آن‌ها
• 6. آشنایی با مفهوم علیّت و مشکلات استنتاج آن
• 7. اصول طراحی خوب: هدف و اهمیت آن
• 8. مراحل مختلف طراحی مطالعه
• 9. شناسایی اهداف پژوهش و سوالات کلیدی
• 10. تعیین جامعه هدف و معیارهای شمول/عدم شمول
• 11. انتخاب متغیرهای مستقل و وابسته
• 12. اهمیت انتخاب متغیرهای توضیح‌دهنده مناسب
• 13. بررسی پیش‌فرض‌های رگرسیون خطی
• 14. آزمون‌های تشخیصی برای ارزیابی پیش‌فرض‌ها
• 15. درک مفهوم باقی‌مانده‌ها و اهمیت آن‌ها
• 16. تفسیر ضرایب رگرسیون و خطاهای استاندارد
• 17. اهمیت اندازه‌ی نمونه و قدرت آزمون
• 18. محاسبه‌ی حجم نمونه‌ی مورد نیاز در رگرسیون
• 19. اثرات اندازه‌ی نمونه بر دقت تخمین‌ها
• 20. آشنایی با انواع روش‌های نمونه‌گیری
• 21. نمونه‌گیری تصادفی ساده و مزایا و معایب آن
• 22. نمونه‌گیری طبقه‌ای و کاربردهای آن
• 23. نمونه‌گیری خوشه‌ای و موارد استفاده‌ی آن
• 24. مقایسه‌ی روش‌های نمونه‌گیری و انتخاب مناسب
• 25. نقش داده‌های ازدست‌رفته و روش‌های مقابله با آن‌ها
• 26. شناسایی و برخورد با مقادیر پرت
• 27. اهمیت متعادل‌سازی متغیرها در طراحی
• 28. روش‌های متعادل‌سازی: وزن‌دهی
• 29. روش‌های متعادل‌سازی: تطبیق
• 30. روش‌های متعادل‌سازی: طبقه‌بندی
• 31. روش‌های متعادل‌سازی: رگرسیون
• 32. مقایسه‌ی روش‌های متعادل‌سازی و انتخاب بهترین روش
• 33. آشنایی با متغیرهای مخدوشگر و شناسایی آن‌ها
• 34. روش‌های کنترل متغیرهای مخدوشگر در طراحی
• 35. اثرات متغیرهای مخدوشگر بر نتایج رگرسیون
• 36. طراحی مطالعه برای کاهش اثر متغیرهای مخدوشگر
• 37. آشنایی با بایاس انتخاب و راه‌کارهای مقابله با آن
• 38. بایاس اطلاعات و روش‌های کاهش آن
• 39. بایاس اندازه‌گیری و راه‌حل‌های اصلاح آن
• 40. اهمیت زمان‌بندی اندازه‌گیری‌ها
• 41. تاثیر اندازه‌گیری‌های مکرر بر نتایج
• 42. آشنایی با انواع تعامل‌ها و اهمیت آن‌ها
• 43. بررسی اثرات تعاملی در رگرسیون
• 44. طراحی مطالعه برای بررسی تعامل‌ها
• 45. آشنایی با مدل‌های رگرسیون چندگانه
• 46. انتخاب مدل مناسب برای داده‌ها
• 47. روش‌های انتخاب متغیر در مدل رگرسیون
• 48. اعتبارسنجی مدل و ارزیابی عملکرد آن
• 49. استفاده از آزمون‌های فرض در رگرسیون
• 50. تفسیر نتایج آزمون‌های فرض
• 51. آشنایی با فاصله اطمینان و تفسیر آن
• 52. روش‌های تجسم داده‌ها در رگرسیون
• 53. استفاده از نمودارهای پراکندگی و خطوط رگرسیون
• 54. نمودارهای باقی‌مانده‌ها و تشخیص مشکلات
• 55. آشنایی با رگرسیون وزن‌دار
• 56. کاربرد رگرسیون وزن‌دار در مطالعات مشاهده‌ای
• 57. آشنایی با رگرسیون کوانتایل
• 58. کاربرد رگرسیون کوانتایل در مطالعات مشاهده‌ای
• 59. آشنایی با رگرسیون لجستیک
• 60. کاربرد رگرسیون لجستیک در مطالعات مشاهده‌ای
• 61. مدل‌سازی متغیرهای وابسته طبقه‌ای
• 62. آشنایی با رگرسیون پواسون
• 63. کاربرد رگرسیون پواسون در مطالعات مشاهده‌ای
• 64. مدل‌سازی داده‌های شمارشی
• 65. مروری بر روش‌های بوت‌استرپینگ
• 66. استفاده از بوت‌استرپینگ برای تخمین پارامترها
• 67. استفاده از بوت‌استرپینگ برای محاسبه‌ی فواصل اطمینان
• 68. آشنایی با Cross-validation
• 69. استفاده از Cross-validation برای ارزیابی مدل
• 70. روش‌های اعتبار سنجی متقابل
• 71. آشنایی با مدل‌های اثرات تصادفی و ثابت
• 72. کاربرد مدل‌های اثرات تصادفی و ثابت
• 73. مدل‌سازی داده‌های خوشه‌ای
• 74. آشنایی با تحلیل داده‌های پانلی
• 75. مدل‌سازی داده‌های طولی
• 76. معرفی روش‌های SEM (مدل‌یابی معادلات ساختاری)
• 77. کاربرد SEM در مطالعات مشاهده‌ای
• 78. مفاهیم اساسی در causal inference
• 79. معرفی مدل‌سازی causal
• 80. شاخص‌های درمان (treatment effects)
• 81. مطالعه‌ی نقش طراحی در تخمین اثرات درمان
• 82. استفاده از propensity score در مطالعات مشاهده‌ای
• 83. Propensity score matching
• 84. Propensity score stratification
• 85. Propensity score weighting
• 86. مقایسه‌ی روش‌های Propensity score
• 87. آشنایی با Instrumental Variables (IV)
• 88. استفاده از IV در مطالعات مشاهده‌ای
• 89. آزمون‌های تشخیصی IV
• 90. آشنایی با Regression discontinuity design (RDD)
• 91. کاربرد RDD در مطالعات مشاهده‌ای
• 92. مقایسه‌ی RDD با سایر روش‌ها
• 93. مروری بر نرم‌افزارهای آماری مورد استفاده
• 94. آموزش گام به گام نرم‌افزار R برای رگرسیون
• 95. آموزش گام به گام نرم‌افزار Python برای رگرسیون
• 96. معرفی بسته‌های آماری مهم در R و Python
• 97. ارائه نمونه‌هایی از مطالعات واقعی
• 98. بررسی مطالعات موردی: طراحی و تحلیل
• 99. اشتباهات رایج در طراحی مطالعات رگرسیون
• 100. درس‌هایی از مطالعات ناموفق