, ,

کتاب تجزیه نابرابری درآمدی با استفاده از یادگیری ماشین: غلبه بر چالش‌های پشتیبانی مشترک (Common Support)

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تجزیه نابرابری درآمدی با استفاده از یادگیری ماشین: غلبه بر چالش‌های پشتیبانی مشترک (Common Support)

موضوع کلی: اقتصادسنجی و یادگیری ماشین

موضوع میانی: تجزیه و تحلیل نابرابری با رویکرد یادگیری ماشین

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر نابرابری درآمدی و اهمیت مطالعه آن
  • 2. تعاریف کلیدی و ابعاد مختلف نابرابری
  • 3. شاخص‌های سنتی اندازه‌گیری نابرابری: ضریب جینی
  • 4. شاخص‌های آنتروپی تعمیم‌یافته: تیل و آتکینسون
  • 5. روش‌های تجمیع و تفکیک نابرابری (Decomposition)
  • 6. روش اواکسا-بلیندر: مبانی و کاربردها
  • 7. محدودیت‌های روش اواکسا-بلیندر در تجزیه نابرابری
  • 8. مقدمه‌ای بر یادگیری ماشین در اقتصادسنجی
  • 9. انواع یادگیری ماشین: نظارت‌شده، بی‌نظارت و تقویتی
  • 10. رگرسیون و طبقه‌بندی در یادگیری ماشین
  • 11. مفهوم بایاس-واریانس و مبادله بین آن‌ها
  • 12. اعتبارسنجی متقاطع (Cross-Validation) برای ارزیابی مدل‌ها
  • 13. رگرسیون خطی با رویکرد یادگیری ماشین
  • 14. رگرسیون منظم‌سازی شده: ریج (Ridge) و لسو (Lasso)
  • 15. درخت‌های تصمیم‌گیری برای رگرسیون
  • 16. جنگل‌های تصادفی (Random Forests): اصول و عملکرد
  • 17. گرادیان بوستینگ (Gradient Boosting) و کاربردهای آن
  • 18. XGBoost و LightGBM: الگوریتم‌های پیشرفته بوستینگ
  • 19. مبانی استنتاج علّی (Causal Inference)
  • 20. چارچوب پیامدهای بالقوه (Potential Outcomes)
  • 21. تخمین اثر میانگین درمان (ATE) و اثر درمان بر درمان‌شوندگان (ATT)
  • 22. مفهوم متغیرهای مخدوش‌کننده (Confounders) و فرض نادیده‌انگاری
  • 23. روش امتیاز تمایل (Propensity Score Matching)
  • 24. تخمین‌گرهای مقاوم دوگانه (Double Robust Estimators)
  • 25. یادگیری ماشین برای تخمین اثرات درمانی ناهمگن
  • 26. جنگل‌های علّی (Causal Forests)
  • 27. یادگیری ماشین دوگانه (Double Machine Learning – DML): معرفی
  • 28. نقش DML در کاهش سوگیری و تخمین پارامترهای علّی
  • 29. چالش‌های تجزیه نابرابری با داده‌های پیچیده
  • 30. چرا یادگیری ماشین برای تجزیه نابرابری؟
  • 31. چارچوب تعمیم‌یافته اواکسا-بلیندر با یادگیری ماشین
  • 32. رویکردهای ناپارامتریک در تجزیه نابرابری
  • 33. تجزیه واریانس لگاریتم درآمد یا دستمزد
  • 34. درک سهم نهایی عوامل در نابرابری
  • 35. تخمین امید ریاضی مشروط E[Y|X] با یادگیری ماشین
  • 36. مفهوم توزیع پادواقعی (Counterfactual Distribution) درآمد
  • 37. تفکیک اثر "ساختار" (Structure) و "ترکیب" (Composition)
  • 38. پیاده‌سازی یادگیری ماشین برای معادلات دستمزد
  • 39. تخمین تابع "بازده ویژگی‌ها" یا "قیمت" (Price Function)
  • 40. تخمین تابع "توزیع ویژگی‌ها" (Composition Function)
  • 41. استفاده از DML برای تخمین اجزای تجزیه نابرابری
  • 42. مدل‌سازی پیشرفته برای امید ریاضی مشروط
  • 43. تخمین چگالی هسته (Kernel Density Estimation) برای توزیع درآمد
  • 44. جنگل‌های رگرسیون برای تخمین کمیل‌های درآمد (Quantile Regression Forests)
  • 45. مفهوم و اهمیت پشتیبانی مشترک (Common Support)
  • 46. تعریف رسمی پشتیبانی مشترک در استنتاج علّی
  • 47. بصری‌سازی مشکلات پشتیبانی مشترک
  • 48. چالش‌های پشتیبانی مشترک در روش اواکسا-بلیندر
  • 49. تشدید مشکلات پشتیبانی مشترک با یادگیری ماشین
  • 50. پیامدهای نادیده گرفتن پشتیبانی مشترک در تجزیه
  • 51. راهکارهای سنتی برای مقابله با پشتیبانی مشترک: برش (Trimming)
  • 52. راهکارهای سنتی برای مقابله با پشتیبانی مشترک: وزن‌دهی
  • 53. وزن‌دهی بر اساس امتیاز تمایل برای تضمین پشتیبانی مشترک
  • 54. رویکرد مقاله: استفاده از طرح بازوزن‌دهی (Re-weighting Scheme)
  • 55. تخمین نسبت چگالی (Density Ratio Estimation)
  • 56. یادگیری ماشین برای تخمین نسبت چگالی
  • 57. الگوریتم‌های خاص برای تخمین نسبت چگالی (مثلاً KLIEP، uLSIF)
  • 58. پیاده‌سازی عملی تخمین نسبت چگالی
  • 59. کاربرد بازوزن‌دهی در سناریوهای پادواقعی
  • 60. مراحل گام‌به‌گام برای حل مشکل پشتیبانی مشترک با ML
  • 61. آماده‌سازی داده‌ها برای تحلیل نابرابری با ML
  • 62. مهندسی ویژگی (Feature Engineering) برای مدل‌های درآمدی
  • 63. مدیریت داده‌های گمشده و برون‌افتاده
  • 64. تحلیل حساسیت مفروضات پشتیبانی مشترک
  • 65. بررسی‌های استحکام (Robustness Checks) برای نتایج تجزیه
  • 66. استنتاج آماری برای اجزای تفکیک‌شده نابرابری
  • 67. روش بوت‌استرپ (Bootstrapping) برای تخمین واریانس
  • 68. محاسبه فواصل اطمینان برای سهم هر عامل در نابرابری
  • 69. تفسیر مدل‌های یادگیری ماشین در تحلیل نابرابری (SHAP/LIME)
  • 70. نرم‌افزارهای پیاده‌سازی: اکوسیستم پایتون (Scikit-learn, EconML)
  • 71. نرم‌افزارهای پیاده‌سازی: اکوسیستم R (Tidyverse, Causal ML)
  • 72. مطالعه موردی: تجزیه شکاف دستمزد جنسیتی با ML و پشتیبانی مشترک
  • 73. مطالعه موردی: تجزیه نابرابری درآمدی بر اساس سطح تحصیلات
  • 74. نقش سیاست‌های عمومی در تغییر نابرابری
  • 75. شبیه‌سازی مداخلات سیاستی با یادگیری ماشین
  • 76. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای علوم اجتماعی
  • 77. مزایای رویکرد یادگیری ماشین در تجزیه نابرابری
  • 78. محدودیت‌ها و چالش‌های رویکرد یادگیری ماشین
  • 79. راهکارهای نوین برای چالش‌های پشتیبانی مشترک
  • 80. تجزیه نابرابری در توزیع‌های کمیلی (Quantile Decompositions)
  • 81. بررسی اثرات ناهمگن (Heterogeneous Effects) بر نابرابری
  • 82. تجزیه نابرابری برای گروه‌های خاص جمعیتی
  • 83. نقش داده‌های مقطعی در مقابل داده‌های پانل
  • 84. تحلیل بعد زمان در نابرابری درآمدی
  • 85. تأثیر تغییرات دموگرافیک بر ساختار نابرابری
  • 86. نقش فناوری و اتوماسیون در تشدید/کاهش نابرابری
  • 87. نابرابری درآمدی از منظر جهانی
  • 88. تحلیل نابرابری ثروت با رویکرد یادگیری ماشین
  • 89. پروژه‌های عملی: تنظیم محیط و جمع‌آوری داده
  • 90. پروژه‌های عملی: انتخاب مدل و آموزش
  • 91. پروژه‌های عملی: اعمال روش‌های پشتیبانی مشترک
  • 92. پروژه‌های عملی: تفسیر نتایج تجزیه نابرابری
  • 93. پیشرفت‌های اخیر در یادگیری ماشین برای استنتاج علّی
  • 94. تجزیه نابرابری با رویکردهای یادگیری عمیق (Deep Learning)
  • 95. کاربرد یادگیری ماشین در سیاست‌گذاری‌های مبتنی بر شواهد
  • 96. مرور جامع: نکات کلیدی تجزیه نابرابری با ML
  • 97. چشم‌انداز آینده پژوهش در این حوزه
  • 98. توصیه‌های عملی برای محققان و سیاست‌گذاران
  • 99. پرسش و پاسخ: چالش‌ها و فرصت‌ها
  • 100. جمع‌بندی دوره: یادگیری ماشین به عنوان ابزاری قدرتمند برای تحلیل اجتماعی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب تجزیه نابرابری درآمدی با استفاده از یادگیری ماشین: غلبه بر چالش‌های پشتیبانی مشترک (Common Support)”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا