کتاب DCEtool در R: راهنمای جامع طراحی و تحلیل آزمایش‌های انتخاب گسسته کارآمد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 DCEtool در R: راهنمای جامع طراحی و تحلیل آزمایش‌های انتخاب گسسته کارآمد

موضوع کلی: روش‌های پیشرفته تحلیل انتخاب و ترجیحات

موضوع میانی: طراحی آماری کارآمد در آزمایش‌های انتخاب گسسته

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر تحلیل ترجیحات و مدل‌سازی انتخاب
  • 2. آزمایش انتخاب گسسته (DCE) چیست؟
  • 3. کاربردهای DCE در بازاریابی، بهداشت، محیط زیست و سیاست‌گذاری
  • 4. مبانی نظری: تئوری مطلوبیت (Utility Theory)
  • 5. تئوری مطلوبیت تصادفی (Random Utility Theory - RUT)
  • 6. ارتباط بین رفتار مصرف‌کننده و انتخاب‌های گسسته
  • 7. آشنایی با محیط برنامه‌نویسی R و RStudio
  • 8. نصب و راه‌اندازی R و RStudio
  • 9. مبانی کار با R: متغیرها، دیتافریم‌ها و توابع
  • 10. معرفی پکیج‌های ضروری در R برای تحلیل داده
  • 11. معرفی پکیج DCEtool: تاریخچه، اهداف و قابلیت‌ها
  • 12. نصب و بارگذاری پکیج DCEtool و پکیج‌های وابسته
  • 13. گام‌های اصلی در یک پروژه DCE: از ایده تا گزارش نهایی
  • 14. فاز اول: تعریف مسئله و شناسایی صفات و سطوح
  • 15. اهمیت انتخاب صحیح صفات (Attributes)
  • 16. روش‌های شناسایی صفات: مرور ادبیات و مصاحبه‌های کیفی
  • 17. تعریف و انتخاب سطوح (Levels) برای هر صفت
  • 18. انواع صفات: کمی، کیفی و طبقه‌بندی شده
  • 19. کدگذاری سطوح: کدگذاری ساختگی (Dummy Coding)
  • 20. کدگذاری سطوح: کدگذاری اثری (Effects Coding)
  • 21. تفاوت و کاربرد انواع روش‌های کدگذاری
  • 22. فاز دوم: مبانی طراحی آماری آزمایش‌ها
  • 23. مفهوم طرح عاملی کامل (Full Factorial Design)
  • 24. چالش‌های طرح عاملی کامل: نفرین ابعاد
  • 25. آشنایی با طرح‌های عاملی کسری (Fractional Factorial Designs)
  • 26. مفهوم تعامد (Orthogonality) و اهمیت آن در DCE
  • 27. مفهوم توازن (Balance) و نقش آن در طراحی
  • 28. مقدمه‌ای بر معیارهای کارایی آماری
  • 29. معیار کارایی-D (D-efficiency): حداقل کردن واریانس پارامترها
  • 30. معیار کارایی-A (A-efficiency): حداقل کردن میانگین واریانس پارامترها
  • 31. معیار کارایی-S (S-efficiency): پیش‌بینی دقیق‌تر سهم انتخاب
  • 32. تأثیر پارامترهای پیشین (Priors) بر کارایی طرح
  • 33. چگونه پارامترهای پیشین را تخمین بزنیم؟
  • 34. طراحی با پارامترهای پیشین صفر (Zero Priors)
  • 35. طراحی با پارامترهای پیشین غیرصفر (Non-zero Priors)
  • 36. مفهوم طراحی بیزی (Bayesian Design) در DCE
  • 37. مقایسه الگوریتم‌های بهینه‌سازی در طراحی
  • 38. فاز سوم: تولید طرح با پکیج DCEtool
  • 39. ساختار داده ورودی برای تولید طرح در DCEtool
  • 40. ایجاد اولین طرح متعامد (Orthogonal) با تابع `oa.design`
  • 41. بررسی خصوصیات تعامد و توازن طرح تولید شده
  • 42. مقدمه‌ای بر تولید طرح‌های کارا-D (D-efficient)
  • 43. تولید طرح کارا-D با استفاده از الگوریتم چرخشی (Rotation Algorithm)
  • 44. تولید طرح کارا-D با استفاده از الگوریتم تبادل مختصات (Coordinate Exchange)
  • 45. مقایسه عملکرد الگوریتم‌های مختلف در DCEtool
  • 46. محاسبه و ارزیابی خطای D (D-error) طرح
  • 47. مفهوم مجموعه‌های انتخاب (Choice Sets) و وظایف انتخاب (Choice Tasks)
  • 48. تعیین تعداد مجموعه‌های انتخاب و تعداد گزینه‌ها در هر مجموعه
  • 49. بلوک‌بندی (Blocking) طرح برای کاهش بار شناختی پاسخ‌دهندگان
  • 50. پیاده‌سازی بلوک‌بندی در پکیج DCEtool
  • 51. طراحی برای مدل‌های با اثرات متقابل (Interaction Effects)
  • 52. لحاظ کردن محدودیت‌ها (Constraints) در طراحی
  • 53. طراحی برای صفات با سطوح غیرخطی
  • 54. طراحی آزمایش‌های بدون برچسب (Unlabeled/Generic)
  • 55. طراحی آزمایش‌های با برچسب (Labeled/Alternative-specific)
  • 56. گزینه انصراف یا عدم انتخاب (Opt-out/No-choice Option) و نحوه طراحی آن
  • 57. ارزیابی و مقایسه طرح‌های مختلف تولید شده
  • 58. ذخیره‌سازی و خروجی گرفتن از طرح نهایی
  • 59. فاز چهارم: آماده‌سازی پرسشنامه و جمع‌آوری داده
  • 60. تبدیل طرح آماری به پرسشنامه قابل فهم برای پاسخ‌دهنده
  • 61. بهترین شیوه‌ها در طراحی بصری مجموعه‌های انتخاب
  • 62. انجام آزمون پایلوت (Pilot Test) برای پرسشنامه
  • 63. روش‌های جمع‌آوری داده: آنلاین، حضوری و ترکیبی
  • 64. کنترل کیفیت داده‌های جمع‌آوری شده
  • 65. ساختاردهی داده‌های DCE برای تحلیل در R
  • 66. وارد کردن داده‌های جمع‌آوری شده به محیط R
  • 67. تبدیل داده از فرمت عریض (Wide) به فرمت طویل (Long)
  • 68. فاز پنجم: تحلیل داده‌ها و مدل‌سازی انتخاب
  • 69. مرور مدل‌های انتخاب گسسته
  • 70. مدل لاجیت چندجمله‌ای (Multinomial Logit - MNL)
  • 71. مفروضات مدل MNL و فرض استقلال از گزینه‌های نامرتبط (IIA)
  • 72. تخمین مدل MNL در R با استفاده از پکیج `mlogit`
  • 73. تفسیر ضرایب مدل: پارامترهای مطلوبیت (Utility Parameters)
  • 74. آزمون معناداری ضرایب و نیکویی برازش مدل (Goodness of Fit)
  • 75. آزمون فرض IIA: آزمون هاسمن-مک‌فادن
  • 76. غلبه بر محدودیت‌های MNL: مدل‌های پیشرفته
  • 77. ناهمگونی در ترجیحات و لزوم مدل‌سازی آن
  • 78. مدل لاجیت ترکیبی یا پارامترهای تصادفی (Mixed Logit - MXL/RPL)
  • 79. تئوری پشت مدل لاجیت ترکیبی
  • 80. تخمین مدل لاجیت ترکیبی در R
  • 81. تفسیر پارامترهای میانگین و انحراف معیار در مدل MXL
  • 82. مدل کلاس پنهان (Latent Class Model) برای شناسایی سگمنت‌های بازار
  • 83. تخمین و تفسیر مدل کلاس پنهان در R
  • 84. انتخاب تعداد بهینه کلاس‌ها
  • 85. مقایسه مدل‌های MNL، MXL و Latent Class
  • 86. فاز ششم: تفسیر نتایج و کاربردهای مدیریتی
  • 87. محاسبه اهمیت نسبی صفات (Relative Importance)
  • 88. محاسبه تمایل به پرداخت (Willingness-to-Pay - WTP)
  • 89. محاسبه بازه‌های اطمینان برای WTP با روش دلتا و شبیه‌سازی
  • 90. تفسیر مقادیر WTP و کاربردهای آن
  • 91. شبیه‌سازی بازار (Market Simulation) و پیش‌بینی سهم انتخاب
  • 92. شبیه‌سازی سناریوهای "چه می‌شود اگر" (What-if Analysis)
  • 93. ایجاد ابزارهای شبیه‌ساز تعاملی با R Shiny
  • 94. تجسم‌سازی نتایج: نمودارهای مطلوبیت و WTP
  • 95. گزارش‌نویسی و ارائه نتایج یک پروژه DCE
  • 96. مطالعه موردی جامع: طراحی، اجرا و تحلیل یک DCE از ابتدا تا انتها
  • 97. موضوعات پیشرفته و نتیجه‌گیری
  • 98. طراحی آزمایش‌های انتخاب بهترین-بدترین (Best-Worst Scaling)
  • 99. مقایسه DCE و Best-Worst Scaling
  • 100. روندهای آینده در طراحی و تحلیل آزمایش‌های انتخاب

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.