دوره استنباط علیت با رگرسیون خطی - رویکردی مدرن

آنچه یاد خواهید گرفت: چگونه اثرات علیت کل و مستقیم را با استفاده از رگرسیون خطی برآورد کنید؟ چه زمانی ضرایب رگرسیون خطی را می‌توان یا نمی‌توان به‌ صورت علیت تفسیر کرد؟ معنای مدل‌های علیت ساختاری خطی و پارامترهای آنها تفاوت بین معادلات ساختاری خطی و معادلات رگرسیون خطی چگونه روی اثر علیت برآورد شده با OLS، تست‌های استحکام و تحلیل حساسیت انجام دهید؟ چگونه با گراف‌های علیت، معیارهای گرافی و DAGitty کار کنید؟ پیش‌نیازهای دوره دانش پایه از نظریه احتمال، جبر خطی و آمار (آشنایی با پایتون مزیت محسوب می‌شود.) توضیحات دوره رگرسیون خطی یکی از پرکاربردترین مدل‌ها در صنعت داده است، اما در زمینه‌ استنباط علیت نیز یکی از بدفهمیده‌شده‌ترین‌هاست. بسیاری اوقات، ضرایب آن به‌ اشتباه به‌ عنوان اثرات علیت تفسیر می‌شوند. فرض‌های سنتی مانند برون‌زایی اغلب برجسته می‌شوند، اما معنای واقعی آنها به‌ ندرت درک می‌شود. خیلی‌ها می‌توانند فرض‌های کلاسیک OLS را که تحت آنها ضرایب «بدون سوگیری» هستند از حفظ بگویند، اما در توضیح اینکه این ضرایب دقیقاً نسبت به چه چیزی بدون سوگیری هستند، دچار مشکل می‌شوند. و این موضوع تعجب‌آور نیست. منابع آموزشی درباره‌ رگرسیون خطی، وقتی صحبت از استنباط علیت می‌شود، بسیار مبهم، دوپهلو و حتی گاهی متناقض هستند. در این دوره‌ 2 بخشی، این خلأ را با یک رویکرد تازه و مدرن پر می‌کنیم. شما دقیقاً یاد می‌گیرید که ضرایب رگرسیون خطی چه زمانی و چگونه بازتاب‌دهنده‌ اثرات علیت هستند. بخش اول با بررسی مفاهیم بنیادی استنباط علیت آغاز می‌شود؛ مفاهیمی که برای دنبال‌ کردن ادامه‌ دوره باید آنها را درک کنید. در ماژول دوم، به سازوکار رگرسیون خطی عمیق می‌شویم و تمرکز اصلی بر این است که ضرایب رگرسیون خطی چگونه با استفاده از روش حداقل مربعات معمولی محاسبه می‌شوند. در ماژول 3، مدل‌های علیت ساختاری خطی را معرفی می‌کنیم؛ جایی که یاد می‌گیرید پارامترهای این معادلات همان چیزهایی هستند که هنگام برآورد اثرات علیت با رگرسیون خطی واقعاً به آنها علاقه‌مندیم. سپس شرایط دقیقی را بررسی می‌کنیم که تحت آنها ضرایب رگرسیون خطی می‌توانند این پارامترهای علیت واقعی را بازیابی کنند در نهایت، در ماژول 4، بررسی می‌کنیم که تست‌های استحکام و تحلیل حساسیت خوب طراحی‌ شده چگونه می‌توانند به شما کمک کنند به نتایج تحلیل علیت خود اعتماد بیشتری داشته باشید و از نتیجه‌گیری‌های خود بهتر دفاع کنید. در طول مسیر، برخی از رایج‌ترین سوءبرداشت‌ها درباره‌ تفسیر علیت ضرایب رگرسیون خطی را روشن می‌کنیم. تمام محتوای دوره بر پایه‌ منابع باکیفیت در استنباط علیت، از جمله آثار پژوهشگران برجسته‌ای مانند Angrist و Pischke و Carlos Cinelli و Chad Hazlett و Judea Pearl است. اما فراتر از پشتوانه‌ نظری قوی، این دوره برای کاربرد واقعی طراحی شده است. برای تقویت یادگیری شما، مثال‌های کدنویسی متعددی را با هم بررسی می‌کنیم و هر ماژول شامل یک تمرین کدنویسی است تا بتوانید تکنیک‌های مطرح‌ شده را تمرین کنید. این دوره برای کسی مناسب است که درک پایه‌‌ای از نظریه احتمال، جبر خطی و آمار دارد. آشنایی با برنامه‌نویسی مفید است، زیرا مثال‌ها و تمرین‌های کدنویسی با پایتون ارائه می‌شوند. پس اگر می‌خواهید متمایز باشید و واقعاً یاد بگیرید چگونه از رگرسیون خطی برای استنباط علیت به‌ درستی استفاده کنید، این دوره برای شماست. این دوره برای چه کسانی مناسب است؟ همه‌ کسانی که می‌خواهند یاد بگیرند چگونه می‌توان از رگرسیون خطی برای استنباط علیت استفاده کرد.