#مطالعه
🔆 یادداشتی کوتاه بر عمیق‌تر شدن در دنیای علّیت
از زمانی که مطالعه علّیت را شروع کردم با آدم‌ها و کتاب‌های متفاوتی آشنا شدم؛ این مسیر آن‌قدری برایم جذابیت دارد که با تمام شلوغی‌هایی که دارم، سعی می‌کنم هفته‌ای چند ساعت برایش وقت بگذارم و مطالعه داشته باشم.
وقتی می‌خواهی یک رابطه علّی را برای موضوعی بررسی کنی، با ده‌ها سؤال متفاوت و چالش‌برانگیز مواجه می‌شوی و همین موضوع نشان می‌دهد که این حوزه چقدر عمیق است و هنوز چقدر جای کار دارد.
این هفته دوباره به سراغ کتابی رفتم که قبلاً هم معرفیش کرده بودم (Causal Inference for the Brave and True)؛ اما این بار، چون دانشم نسبت به قبل در این موضوع بیشتر شده، کتاب را فوق‌العاده جذاب‌تر یافتم. یک بخش از مقدمه کتاب هست که نگاه من را به این حوزه به قشنگ‌ترین شکل ممکن خلاصه می‌کند:
«یادگیری ماشینِ سنتی در پیش‌بینی عالی است، اما در پاسخ به پرسش‌های علّی عاجز است. ما در دنیای داده، اغلب شیفته‌ی ابزارهای براق و "کَفِ روی لیوان" می‌شویم؛ همان هیاهویی که بدون حل مسئله‌ی اصلی، وعده‌ی معجزه می‌دهد. اما استنباط علّی یعنی رفتن به سراغ خودِ "آبجو"؛ یعنی پا گذاشتن به جهانِ "چه می‌شد اگر...؟" و دست‌وپنجه نرم کردن با مکانیزمی که جهان واقع را می‌سازد. تفکر علّی دقیقاً همان نقطه‌ای است که تحلیل داده، از یک پیش‌بینیِ ساده‌لوحانه به شناختِ واقعیِ دنیا تبدیل می‌شود.»
اگر به مفاهیم علّیت، اقتصادسنجی و نگاه عمیق‌تر به داده‌ها علاقه دارید، پیشنهاد می‌کنم حتماً این کتاب را بخوانید. درهای جدید زیادی به روی‌تان باز خواهد شد.
💬 اگر شما هم به مباحث علّیت و اقتصادسنجی علاقه دارید، برام بنویسید معمولاً از چه منابع یا کتاب‌هایی برای مطالعه استفاده می‌کنید؟ یا اگه سوالی دارید خوشحال میشم بتونم راهنمایی کنم.
#علیت #causal_inference #ماشین_لرنینگ
🌐 https://t.me/ecohadico
🔆 یادداشتی کوتاه بر عمیق‌تر شدن در دنیای علّیت
از زمانی که مطالعه علّیت را شروع کردم با آدم‌ها و کتاب‌های متفاوتی آشنا شدم؛ این مسیر آن‌قدری برایم جذابیت دارد که با تمام شلوغی‌هایی که دارم، سعی می‌کنم هفته‌ای چند ساعت برایش وقت بگذارم و مطالعه داشته باشم.
وقتی می‌خواهی یک رابطه علّی را برای موضوعی بررسی کنی، با ده‌ها سؤال متفاوت و چالش‌برانگیز مواجه می‌شوی و همین موضوع نشان می‌دهد که این حوزه چقدر عمیق است و هنوز چقدر جای کار دارد.
این هفته دوباره به سراغ کتابی رفتم که قبلاً هم معرفیش کرده بودم (Causal Inference for the Brave and True)؛ اما این بار، چون دانشم نسبت به قبل در این موضوع بیشتر شده، کتاب را فوق‌العاده جذاب‌تر یافتم. یک بخش از مقدمه کتاب هست که نگاه من را به این حوزه به قشنگ‌ترین شکل ممکن خلاصه می‌کند:
«یادگیری ماشینِ سنتی در پیش‌بینی عالی است، اما در پاسخ به پرسش‌های علّی عاجز است. ما در دنیای داده، اغلب شیفته‌ی ابزارهای براق و "کَفِ روی لیوان" می‌شویم؛ همان هیاهویی که بدون حل مسئله‌ی اصلی، وعده‌ی معجزه می‌دهد. اما استنباط علّی یعنی رفتن به سراغ خودِ "آبجو"؛ یعنی پا گذاشتن به جهانِ "چه می‌شد اگر...؟" و دست‌وپنجه نرم کردن با مکانیزمی که جهان واقع را می‌سازد. تفکر علّی دقیقاً همان نقطه‌ای است که تحلیل داده، از یک پیش‌بینیِ ساده‌لوحانه به شناختِ واقعیِ دنیا تبدیل می‌شود.»
اگر به مفاهیم علّیت، اقتصادسنجی و نگاه عمیق‌تر به داده‌ها علاقه دارید، پیشنهاد می‌کنم حتماً این کتاب را بخوانید. درهای جدید زیادی به روی‌تان باز خواهد شد.
💬 اگر شما هم به مباحث علّیت و اقتصادسنجی علاقه دارید، برام بنویسید معمولاً از چه منابع یا کتاب‌هایی برای مطالعه استفاده می‌کنید؟ یا اگه سوالی دارید خوشحال میشم بتونم راهنمایی کنم.
#علیت #causal_inference #ماشین_لرنینگ
🌐 https://t.me/ecohadico
❤11👍1👎1
Forwarded from بیمه‌نگار
#معرفی
#بیمه
درمورد مهمان وبینار روز ۶ اکتبر:
میریام گلدبی استاد حقوق کشتیرانی، بیمه و حقوق تجارت در مرکز مطالعات حقوق تجارت دانشگاه کوئین مری لندن است. پژوهش‌های او بیشتر بر جنبه‌های حقوقی دیجیتالی‌شدن تجارت بین‌المللی تمرکز دارد.
پروفسور گلدبی در اوت ۲۰۲۶ یک دوره شش‌ماهه پژوهشی فولبرایت-لویدز را که از سوی کمیسیون فولبرایت آمریکا و بریتانیا ارائه شده بود، در دانشگاه تگزاس در آستین به پایان رساند. در این دوره، او بر قوانین و فرایندهایی تمرکز داشت که نحوه مدیریت ریسک سایبری در سازمان‌ها را مشخص می‌کنند. اگر این چارچوب‌ها به‌خوبی طراحی شوند، می‌توانند توان سازمان‌ها را برای مقابله با خطرات سایبری افزایش دهند.
به طور مشخص، پژوهش او بررسی می‌کند که مدیریت امنیت سایبری تا چه حد به تصمیم‌گیری بخش خصوصی واگذار شده، دولت تا چه حد در این زمینه دخالت می‌کند و دلیل تفاوت این رویکردها چیست. این پژوهش همچنین به این موضوع می‌پردازد که این رویکردها چه اثری بر دسترسی به بیمه سایبری و هزینه آن دارند. بیمه سایبری نیز می‌تواند نقش مهمی در افزایش توان افراد و سازمان‌ها برای مقابله با این نوع خطرات داشته باشد.
در این وبینار، پروفسور گلدبی نتایج پژوهشی را که در دوره فولبرایت-لویدز خود در دانشگاه تگزاس در آستین انجام داده است، با عنوان «حکمرانی امنیت سایبری: نقش بیمه» ارائه خواهد کرد.
https://www.qmul.ac.uk/law/people/academic-staff/items/goldby.html
@insurance_notes
#بیمه
درمورد مهمان وبینار روز ۶ اکتبر:
میریام گلدبی استاد حقوق کشتیرانی، بیمه و حقوق تجارت در مرکز مطالعات حقوق تجارت دانشگاه کوئین مری لندن است. پژوهش‌های او بیشتر بر جنبه‌های حقوقی دیجیتالی‌شدن تجارت بین‌المللی تمرکز دارد.
پروفسور گلدبی در اوت ۲۰۲۶ یک دوره شش‌ماهه پژوهشی فولبرایت-لویدز را که از سوی کمیسیون فولبرایت آمریکا و بریتانیا ارائه شده بود، در دانشگاه تگزاس در آستین به پایان رساند. در این دوره، او بر قوانین و فرایندهایی تمرکز داشت که نحوه مدیریت ریسک سایبری در سازمان‌ها را مشخص می‌کنند. اگر این چارچوب‌ها به‌خوبی طراحی شوند، می‌توانند توان سازمان‌ها را برای مقابله با خطرات سایبری افزایش دهند.
به طور مشخص، پژوهش او بررسی می‌کند که مدیریت امنیت سایبری تا چه حد به تصمیم‌گیری بخش خصوصی واگذار شده، دولت تا چه حد در این زمینه دخالت می‌کند و دلیل تفاوت این رویکردها چیست. این پژوهش همچنین به این موضوع می‌پردازد که این رویکردها چه اثری بر دسترسی به بیمه سایبری و هزینه آن دارند. بیمه سایبری نیز می‌تواند نقش مهمی در افزایش توان افراد و سازمان‌ها برای مقابله با این نوع خطرات داشته باشد.
در این وبینار، پروفسور گلدبی نتایج پژوهشی را که در دوره فولبرایت-لویدز خود در دانشگاه تگزاس در آستین انجام داده است، با عنوان «حکمرانی امنیت سایبری: نقش بیمه» ارائه خواهد کرد.
https://www.qmul.ac.uk/law/people/academic-staff/items/goldby.html
@insurance_notes
❤4👍1
Audio
🔆 اگه امروز دانشجوی اقتصاد بودم، توی عصر AI چی یاد می‌گرفتم؟
احتمالاً این سؤال برای خیلی از دانشجوها پیش اومده: حالا که هوش مصنوعی می‌تونه کد بنویسه، داده تحلیل کنه و حتی مقاله خلاصه کنه، ما باید چی یاد بگیریم؟
به نظرم قرار نیست همه‌مون برنامه‌نویس یا متخصص AI بشیم. ولی چند تا مهارت هست که اگر از دوران دانشجویی جدی بگیریمشون، احتمالاً توی کار و پژوهش خیلی به دردمون می‌خورن.
۱. اقتصادسنجی رو فقط برای پاس کردن امتحان نخونید!
۲. حداقل با یکی از زبان های برنامه نویسی مانند R یا Python رفیق بشید.
۳. یاد بگیرید با داده‌های واقعی سروکله بزنید.
۴. از AI کمک بگیرید، ولی بهش وابسته نشید.
۵. یه حوزه رو انتخاب کنید و کم‌کم توش عمیق بشید.
۶. بتونید نتیجه کارتون رو برای بقیه توضیح بدید.
اگه براتون مفید بود برای دوستانتون هم ارسال کنید❤️
#اقتصاد #هوش_مصنوعی #اقتصادسنجی #تحلیل_داده
🌐 https://t.me/ecohadico
احتمالاً این سؤال برای خیلی از دانشجوها پیش اومده: حالا که هوش مصنوعی می‌تونه کد بنویسه، داده تحلیل کنه و حتی مقاله خلاصه کنه، ما باید چی یاد بگیریم؟
به نظرم قرار نیست همه‌مون برنامه‌نویس یا متخصص AI بشیم. ولی چند تا مهارت هست که اگر از دوران دانشجویی جدی بگیریمشون، احتمالاً توی کار و پژوهش خیلی به دردمون می‌خورن.
۱. اقتصادسنجی رو فقط برای پاس کردن امتحان نخونید!
۲. حداقل با یکی از زبان های برنامه نویسی مانند R یا Python رفیق بشید.
۳. یاد بگیرید با داده‌های واقعی سروکله بزنید.
۴. از AI کمک بگیرید، ولی بهش وابسته نشید.
۵. یه حوزه رو انتخاب کنید و کم‌کم توش عمیق بشید.
۶. بتونید نتیجه کارتون رو برای بقیه توضیح بدید.
اگه براتون مفید بود برای دوستانتون هم ارسال کنید❤️
#اقتصاد #هوش_مصنوعی #اقتصادسنجی #تحلیل_داده
🌐 https://t.me/ecohadico
❤28👍6👎1
📖 #مطالعه_موردی
وقتی بازار بزرگ‌تر بر بازار کوچک‌تر اثر می‌گذارد، اما نه برعکس!
یکی از پروژه‌هایی که اخیراً روی آن کار کردم، بررسی رابطه بین بورس و فرابورس ایران بود؛ با تمرکز بر انتقال بازده، سرایت نوسانات و تغییر رفتار دو بازار در طول زمان.
سؤال اصلی پژوهش چی بود؟
آیا تغییرات بورس به فرابورس منتقل می‌شه؟ آیا این رابطه دوطرفه است؟ و آیا شدت انتقال ریسک در طول زمان تغییر می‌کنه؟
برای پاسخ به این سؤال‌ها از چند روش اقتصادسنجی استفاده کردیم:
🔹مدل GARCH و BEKK-GARCH: برای بررسی پویایی نوسانات و ارتباط دو بازار.
🔹 روش ICSS: برای شناسایی شکست‌های ساختاری در نوسانات.
🔹 مدل‌های بازدهی با وقفه: برای بررسی جهت و سرعت انتقال بازده.
🔹 شاخص سرریز پویا: برای بررسی تغییر شدت انتقال نوسانات در طول زمان.
بریم ببینیم نتایج چه چیزی نشون دادن؟
۱. بازده بورس بر بازده فرابورس اثر مثبت و معناداری داشت؛ اما این اثر عمدتاً به یک روز کاری محدود بود.
۲. در جهت معکوس، شواهد معناداری برای انتقال بازده از فرابورس به بورس پیدا نکردیم.
۳. مدل‌های با ضرایب ثابت، شواهد کافی برای سرایت پایدار نوسانات بین دو بازار ارائه نکردند.
۴. اما شاخص سرریز پویا، روند صعودی و معناداری در انتقال نوسانات از بورس به فرابورس نشون داد؛ در جهت معکوس، این روند معنادار نبود.
اما بخش جالب پروژه برای من چی بود؟
اینکه همیشه پیچیده‌تر کردن مدل، به معنای پاسخ دقیق‌تر نیست.
در این پروژه، مدل با ضرایب ثابت نمی‌تونست به سؤال اصلی درباره افزایش سرریز در طول زمان پاسخ بده. بنابراین، لازم بود روش تحلیل رو با ماهیت فرضیه هماهنگ کنیم.
از طرف دیگه، شناسایی شکست‌های ساختاری نشون داد که نمی‌شه رفتار نوسانات رو در تمام دوره یکسان فرض کرد.
🔴 یک نکته روش‌شناختی مهم:
در پروژه‌های اقتصادسنجی باید بین سه موضوع تفاوت قائل شد:
▪️ پایداری نوسانات درون یک بازار
▪️ انتقال نوسانات بین دو بازار
▪️ تغییر شدت این انتقال در طول زمان
این سه مفهوم به هم مرتبط‌اند، اما نمی‌شه با یک ضریب یا یک مدل، درباره هر سه نتیجه‌گیری کرد.
به نظرم یکی از مهارت‌های مهم در اجرای پروژه‌های اقتصادسنجی، انتخاب روش متناسب با سؤال پژوهشه؛ نه صرفاً استفاده از مدل‌های بیشتر و پیچیده‌تر.
#اقتصادسنجی #تحلیل_داده #GARCH #BEKK #بورس #فرابورس #تحلیل_مالی
🌐 https://t.me/ecohadico
وقتی بازار بزرگ‌تر بر بازار کوچک‌تر اثر می‌گذارد، اما نه برعکس!
یکی از پروژه‌هایی که اخیراً روی آن کار کردم، بررسی رابطه بین بورس و فرابورس ایران بود؛ با تمرکز بر انتقال بازده، سرایت نوسانات و تغییر رفتار دو بازار در طول زمان.
سؤال اصلی پژوهش چی بود؟
آیا تغییرات بورس به فرابورس منتقل می‌شه؟ آیا این رابطه دوطرفه است؟ و آیا شدت انتقال ریسک در طول زمان تغییر می‌کنه؟
برای پاسخ به این سؤال‌ها از چند روش اقتصادسنجی استفاده کردیم:
🔹مدل GARCH و BEKK-GARCH: برای بررسی پویایی نوسانات و ارتباط دو بازار.
🔹 روش ICSS: برای شناسایی شکست‌های ساختاری در نوسانات.
🔹 مدل‌های بازدهی با وقفه: برای بررسی جهت و سرعت انتقال بازده.
🔹 شاخص سرریز پویا: برای بررسی تغییر شدت انتقال نوسانات در طول زمان.
بریم ببینیم نتایج چه چیزی نشون دادن؟
۱. بازده بورس بر بازده فرابورس اثر مثبت و معناداری داشت؛ اما این اثر عمدتاً به یک روز کاری محدود بود.
۲. در جهت معکوس، شواهد معناداری برای انتقال بازده از فرابورس به بورس پیدا نکردیم.
۳. مدل‌های با ضرایب ثابت، شواهد کافی برای سرایت پایدار نوسانات بین دو بازار ارائه نکردند.
۴. اما شاخص سرریز پویا، روند صعودی و معناداری در انتقال نوسانات از بورس به فرابورس نشون داد؛ در جهت معکوس، این روند معنادار نبود.
اما بخش جالب پروژه برای من چی بود؟
اینکه همیشه پیچیده‌تر کردن مدل، به معنای پاسخ دقیق‌تر نیست.
در این پروژه، مدل با ضرایب ثابت نمی‌تونست به سؤال اصلی درباره افزایش سرریز در طول زمان پاسخ بده. بنابراین، لازم بود روش تحلیل رو با ماهیت فرضیه هماهنگ کنیم.
از طرف دیگه، شناسایی شکست‌های ساختاری نشون داد که نمی‌شه رفتار نوسانات رو در تمام دوره یکسان فرض کرد.
🔴 یک نکته روش‌شناختی مهم:
در پروژه‌های اقتصادسنجی باید بین سه موضوع تفاوت قائل شد:
▪️ پایداری نوسانات درون یک بازار
▪️ انتقال نوسانات بین دو بازار
▪️ تغییر شدت این انتقال در طول زمان
این سه مفهوم به هم مرتبط‌اند، اما نمی‌شه با یک ضریب یا یک مدل، درباره هر سه نتیجه‌گیری کرد.
به نظرم یکی از مهارت‌های مهم در اجرای پروژه‌های اقتصادسنجی، انتخاب روش متناسب با سؤال پژوهشه؛ نه صرفاً استفاده از مدل‌های بیشتر و پیچیده‌تر.
#اقتصادسنجی #تحلیل_داده #GARCH #BEKK #بورس #فرابورس #تحلیل_مالی
🌐 https://t.me/ecohadico
👍9❤7
🔆 قبل از اینکه سراغ اجرای مدل اقتصادسنجی برید، این ۵ سؤال رو از خودتون بپرسید.
خیلی وقت‌ها وقتی موضوع پژوهش مشخص می‌شه، اولین چیزی که به ذهنمون می‌رسه اینه که از چه مدلی استفاده کنیم.
مدل ARDL؟ VAR؟ رگرسیون پنل؟ GARCH؟
اما تجربه من می‌گه قبل از انتخاب مدل، چند تا سؤال مهم‌تر وجود داره که جواب ندادن بهشون می‌تونه کل مسیر پژوهش رو عوض کنه.
۱. دقیقاً دنبال پاسخ به چه سؤالی هستم؟
می‌خوام رابطه دو متغیر رو بررسی کنم؟ اثر یک سیاست رو بسنجم؟ پیش‌بینی انجام بدم؟ یا انتقال شوک و نوسانات رو تحلیل کنم؟
این سؤال‌ها شبیه هم نیستن و لزوماً با یک روش پاسخ داده نمی‌شن.
۲. داده‌ای که دارم واقعاً برای این سؤال مناسبه؟
تعداد مشاهدات کافیه؟ دوره زمانی مناسبه؟ متغیرها درست اندازه‌گیری شدن؟ داده‌ها محدودیت خاصی دارن؟
گاهی مسئله اصلی نه مدل، بلکه داده‌ایه که در اختیار داریم.
۳. چه فرض‌هایی پشت روش انتخابی من وجود داره؟
هر مدلی یه سری پیش‌فرض و محدودیت داره. باید بدونیم چه شرایطی برای استفاده از اون لازمه و اگر این شرایط برقرار نباشه، چه اتفاقی برای نتیجه می‌افته.
۴. اگر نتیجه معنادار نشد، چه برداشتی می‌کنم؟
معنادار نشدن لزوماً به این معنی نیست که هیچ رابطه‌ای وجود نداره. ممکنه داده قدرت کافی نداشته باشه، متغیرها خوب اندازه‌گیری نشده باشن یا روش انتخابی برای سؤال مناسب نباشه.
از قبل باید تا حدی بدونیم نتیجه‌های مختلف چه معنایی دارن.
۵. آیا می‌تونم نتیجه مدل رو به زبان ساده توضیح بدم؟
اگر نتونم توضیح بدم ضریب، اثر یا آزمونی که گزارش کردم چه چیزی رو نشون می‌ده، احتمالاً هنوز خودم هم به اندازه کافی با نتیجه ارتباط نگرفتم.
یه پیشنهاد برای دانشجوها:
قبل از اینکه نرم‌افزار رو باز کنید، جواب این پنج سؤال رو حتی در حد چند خط بنویسید. این کار ساده می‌تونه جلوی خیلی از انتخاب‌های عجولانه و تحلیل‌های بی‌هدف رو بگیره.
💬 شما معمولاً اول سراغ انتخاب مدل می‌رید یا اول سؤال پژوهش و داده رو بررسی می‌کنید؟
#اقتصادسنجی #روش_تحقیق #تحلیل_داده #پژوهش
🌐 https://t.me/ecohadico
خیلی وقت‌ها وقتی موضوع پژوهش مشخص می‌شه، اولین چیزی که به ذهنمون می‌رسه اینه که از چه مدلی استفاده کنیم.
مدل ARDL؟ VAR؟ رگرسیون پنل؟ GARCH؟
اما تجربه من می‌گه قبل از انتخاب مدل، چند تا سؤال مهم‌تر وجود داره که جواب ندادن بهشون می‌تونه کل مسیر پژوهش رو عوض کنه.
۱. دقیقاً دنبال پاسخ به چه سؤالی هستم؟
می‌خوام رابطه دو متغیر رو بررسی کنم؟ اثر یک سیاست رو بسنجم؟ پیش‌بینی انجام بدم؟ یا انتقال شوک و نوسانات رو تحلیل کنم؟
این سؤال‌ها شبیه هم نیستن و لزوماً با یک روش پاسخ داده نمی‌شن.
۲. داده‌ای که دارم واقعاً برای این سؤال مناسبه؟
تعداد مشاهدات کافیه؟ دوره زمانی مناسبه؟ متغیرها درست اندازه‌گیری شدن؟ داده‌ها محدودیت خاصی دارن؟
گاهی مسئله اصلی نه مدل، بلکه داده‌ایه که در اختیار داریم.
۳. چه فرض‌هایی پشت روش انتخابی من وجود داره؟
هر مدلی یه سری پیش‌فرض و محدودیت داره. باید بدونیم چه شرایطی برای استفاده از اون لازمه و اگر این شرایط برقرار نباشه، چه اتفاقی برای نتیجه می‌افته.
۴. اگر نتیجه معنادار نشد، چه برداشتی می‌کنم؟
معنادار نشدن لزوماً به این معنی نیست که هیچ رابطه‌ای وجود نداره. ممکنه داده قدرت کافی نداشته باشه، متغیرها خوب اندازه‌گیری نشده باشن یا روش انتخابی برای سؤال مناسب نباشه.
از قبل باید تا حدی بدونیم نتیجه‌های مختلف چه معنایی دارن.
۵. آیا می‌تونم نتیجه مدل رو به زبان ساده توضیح بدم؟
اگر نتونم توضیح بدم ضریب، اثر یا آزمونی که گزارش کردم چه چیزی رو نشون می‌ده، احتمالاً هنوز خودم هم به اندازه کافی با نتیجه ارتباط نگرفتم.
یه پیشنهاد برای دانشجوها:
قبل از اینکه نرم‌افزار رو باز کنید، جواب این پنج سؤال رو حتی در حد چند خط بنویسید. این کار ساده می‌تونه جلوی خیلی از انتخاب‌های عجولانه و تحلیل‌های بی‌هدف رو بگیره.
💬 شما معمولاً اول سراغ انتخاب مدل می‌رید یا اول سؤال پژوهش و داده رو بررسی می‌کنید؟
#اقتصادسنجی #روش_تحقیق #تحلیل_داده #پژوهش
🌐 https://t.me/ecohadico
❤8👍6👎1
🔆 چرا به عنوان دانشجوی اقتصاد باید R یاد بگیریم؟
اگر دانشجوی اقتصاد هستی، احتمالاً با Stata یا EViews آشنایی داری و شاید از خودت بپرسی:
خب، چرا باید R هم یاد بگیرم؟
به نظرم جوابش این نیست که R از Stata بهتره یا برعکس.
مسئله اینه که اقتصاد امروز فقط اجرای یک رگرسیون نیست.
اگر R بلد باشی، می‌تونی کم‌کم از این مرحله عبور کنی که فقط مدل اجرا کنی و به جایی برسی که واقعاً با داده کار کنی.
اما لازم نیست از اول همه‌چیز R رو یاد بگیری.
برای یک دانشجوی اقتصاد، به نظرم این مسیر خیلی مهم‌تره:
🔹 کار با داده و Data Cleaning
🔹 ساختن نمودارهای حرفه‌ای و قابل ارائه
🔹 آمار توصیفی و تحلیل اکتشافی داده
🔹 رگرسیون و اقتصادسنجی
🔹 کار با داده‌های پنل و سری زمانی
🔹 داده‌های مکانی و GIS
🔹 اتوماسیون تحلیل‌ها و گزارش‌گیری
🔹 کار با داده‌های واقعی و بزرگ‌تر
🔹 استفاده درست از ابزارهای AI در کنار R
و شاید مهم‌تر از همه:
یاد بگیری وقتی یک دیتاست واقعی جلوت گذاشتند، منتظر نباشی کسی بگه حالا این دستور رو اجرا کن.
بتونی خودت سؤال رو به داده تبدیل کنی، داده رو آماده کنی، تحلیل کنی و در نهایت نتیجه رو قابل فهم ارائه بدی.
به نظرم این یکی از مهم‌ترین مهارت‌هایی است که یک دانشجوی اقتصاد می‌تونه برای سال‌های آینده روی خودش سرمایه‌گذاری کنه.
🔴 اگر تا حالا با R کار کردی، چه مسئله‌ای باهاش داشتی که واقعاً به چالش خوردی؟
@ecohadi
🌐 https://t.me/ecohadico
اگر دانشجوی اقتصاد هستی، احتمالاً با Stata یا EViews آشنایی داری و شاید از خودت بپرسی:
خب، چرا باید R هم یاد بگیرم؟
به نظرم جوابش این نیست که R از Stata بهتره یا برعکس.
مسئله اینه که اقتصاد امروز فقط اجرای یک رگرسیون نیست.
اگر R بلد باشی، می‌تونی کم‌کم از این مرحله عبور کنی که فقط مدل اجرا کنی و به جایی برسی که واقعاً با داده کار کنی.
اما لازم نیست از اول همه‌چیز R رو یاد بگیری.
برای یک دانشجوی اقتصاد، به نظرم این مسیر خیلی مهم‌تره:
🔹 کار با داده و Data Cleaning
🔹 ساختن نمودارهای حرفه‌ای و قابل ارائه
🔹 آمار توصیفی و تحلیل اکتشافی داده
🔹 رگرسیون و اقتصادسنجی
🔹 کار با داده‌های پنل و سری زمانی
🔹 داده‌های مکانی و GIS
🔹 اتوماسیون تحلیل‌ها و گزارش‌گیری
🔹 کار با داده‌های واقعی و بزرگ‌تر
🔹 استفاده درست از ابزارهای AI در کنار R
و شاید مهم‌تر از همه:
یاد بگیری وقتی یک دیتاست واقعی جلوت گذاشتند، منتظر نباشی کسی بگه حالا این دستور رو اجرا کن.
بتونی خودت سؤال رو به داده تبدیل کنی، داده رو آماده کنی، تحلیل کنی و در نهایت نتیجه رو قابل فهم ارائه بدی.
به نظرم این یکی از مهم‌ترین مهارت‌هایی است که یک دانشجوی اقتصاد می‌تونه برای سال‌های آینده روی خودش سرمایه‌گذاری کنه.
🔴 اگر تا حالا با R کار کردی، چه مسئله‌ای باهاش داشتی که واقعاً به چالش خوردی؟
@ecohadi
🌐 https://t.me/ecohadico
❤8👍6👎1
#مطالعه_موردی
💉 مردم حاضرند برای واکسن گارداسیل چقدر بپردازند؟
در یکی از پروژه‌هایی که روی آن کار کردم، مسئله برآورد تمایل به پرداخت (WTP) برای واکسن گارداسیل بود.
برای این کار می‌توان از روش ارزش‌گذاری مشروط (CVM) استفاده کرد؛ یعنی یک سناریوی فرضی طراحی کنیم و بررسی کنیم افراد در قیمت‌های پیشنهادی مختلف، حاضر به خرید هستند یا نه.
اما چالش فقط اجرای مدل Logit یا Probit در Stata نیست!
🔹 چطور قیمت‌های پیشنهادی را انتخاب کنیم؟
🔹 چطور پاسخ‌های اعتراضی، مثل «واکسن باید رایگان باشد»، را از صفرهای واقعی تفکیک کنیم؟
🔹 چطور مطمئن شویم پاسخ افراد به سناریوی فرضی، برآورد تمایل واقعی آن‌ها به پرداخت را منحرف نمی‌کند؟
💬 اگر تجربه‌ای در برآورد WTP یا اقتصاد سلامت دارید، بنویسید: بزرگ‌ترین چالش شما در این نوع مطالعات چه بوده؟
🔴 اگه سازمان یا تیم‌تون نیاز به طراحی و تحلیل مطالعه تمایل به پرداخت یا ارزش‌گذاری مشروط داره، پیام بدید.
@ecohadi
#اقتصاد_سلامت #WTP #اقتصادسنجی #Stata
🌐 https://t.me/ecohadico
💉 مردم حاضرند برای واکسن گارداسیل چقدر بپردازند؟
در یکی از پروژه‌هایی که روی آن کار کردم، مسئله برآورد تمایل به پرداخت (WTP) برای واکسن گارداسیل بود.
برای این کار می‌توان از روش ارزش‌گذاری مشروط (CVM) استفاده کرد؛ یعنی یک سناریوی فرضی طراحی کنیم و بررسی کنیم افراد در قیمت‌های پیشنهادی مختلف، حاضر به خرید هستند یا نه.
اما چالش فقط اجرای مدل Logit یا Probit در Stata نیست!
🔹 چطور قیمت‌های پیشنهادی را انتخاب کنیم؟
🔹 چطور پاسخ‌های اعتراضی، مثل «واکسن باید رایگان باشد»، را از صفرهای واقعی تفکیک کنیم؟
🔹 چطور مطمئن شویم پاسخ افراد به سناریوی فرضی، برآورد تمایل واقعی آن‌ها به پرداخت را منحرف نمی‌کند؟
💬 اگر تجربه‌ای در برآورد WTP یا اقتصاد سلامت دارید، بنویسید: بزرگ‌ترین چالش شما در این نوع مطالعات چه بوده؟
🔴 اگه سازمان یا تیم‌تون نیاز به طراحی و تحلیل مطالعه تمایل به پرداخت یا ارزش‌گذاری مشروط داره، پیام بدید.
@ecohadi
#اقتصاد_سلامت #WTP #اقتصادسنجی #Stata
🌐 https://t.me/ecohadico
❤7👍7👎1
🔆 یک تغییر کوچک در کانال
تصمیم گرفتم مقداری این کامیونیتی رو کاربردی‌تر کنم. برای همین چالش هفتگی آموزش R رو در این مرحله انتخاب کردم.
🎯 چطوری کار می‌کنه؟
▫️ هر هفته یک سؤال کوتاه با یک داده آماده که فقط چند خط کد R لازم داره
▫️ جواب رو تا آخر هفته می‌تونید زیر پست یا در پیام مستقیم برام بفرستید
▫️ شنبه، راه‌حل خودم و رایج‌ترین اشتباه‌ها (بدون ذکر اسم) رو همراه با چالش بعدی می‌ذارم
👥 برای چه کسی مناسبه؟
هر کسی که با R کار می‌کنه یا می‌خواد شروع کنه. لازم نیست حرفه‌ای باشید؛ اگه فقط یکی از سؤال‌ها رو تونستید جواب بدید، همون رو بفرستید.
💬 اگه پیشنهادی درباره موضوع یا سطح چالش‌ها دارید، همین‌جا بنویسید.
چالش اول، چند دقیقه دیگه 👇
@ecohadi
🌐 https://t.me/ecohadico
تصمیم گرفتم مقداری این کامیونیتی رو کاربردی‌تر کنم. برای همین چالش هفتگی آموزش R رو در این مرحله انتخاب کردم.
🎯 چطوری کار می‌کنه؟
▫️ هر هفته یک سؤال کوتاه با یک داده آماده که فقط چند خط کد R لازم داره
▫️ جواب رو تا آخر هفته می‌تونید زیر پست یا در پیام مستقیم برام بفرستید
▫️ شنبه، راه‌حل خودم و رایج‌ترین اشتباه‌ها (بدون ذکر اسم) رو همراه با چالش بعدی می‌ذارم
👥 برای چه کسی مناسبه؟
هر کسی که با R کار می‌کنه یا می‌خواد شروع کنه. لازم نیست حرفه‌ای باشید؛ اگه فقط یکی از سؤال‌ها رو تونستید جواب بدید، همون رو بفرستید.
💬 اگه پیشنهادی درباره موضوع یا سطح چالش‌ها دارید، همین‌جا بنویسید.
چالش اول، چند دقیقه دیگه 👇
@ecohadi
🌐 https://t.me/ecohadico
👍17❤8👎1
🎯 #چالش_هفته (شماره ۱)
آموزش چقدر روی دستمزد اثر داره؟
داده: پکیج wooldridge، مجموعه wage1 (دستمزد و ویژگی‌های ۵۲۶ نفر)
سه سؤال:
۱. رگرسیون لگاریتم دستمزد (lwage) روی سال‌های تحصیل (educ) رو برآورد کنید. ضریب آموزش رو با یک جمله تفسیر کنید.
۲. تجربه (exper) و جنسیت (female) رو اضافه کنید. ضریب آموزش چه تغییری کرد؟
۳. به نظر شما ضریب آموزش اثر علّیه؟ یک دلیل بنویسید که چرا شاید نباشه.
✍️ قالب پاسخ های شما (کپی کنید و پر کنید):
ضریب مدل اول : …
ضریب مدل دوم : …
تفسیر مدل : …
دلیلم برای سؤال ۳: …
📌 لازم نیست کد بفرستید، همون تحلیل ها کافیه.
⏰ مهلت: تا جمعه شب
📥 جواب رو یا زیر همین پست بنویسید، یا اگه ترجیح می‌دید برام پیام بدید: @ecohadi
🔓 شنبه، جواب خودم و رایج‌ترین اشتباه‌های ناشناس‌شده رو همراه با چالش بعدی می‌ذارم.
اگه با R تازه آشنا هستید و فقط یکی از سه سؤال رو تونستید جواب بدید، همون رو بفرستید.
🔴 برای دوستانتون هم بفرستید بتونیم کامیونیتی فعالتری داشته باشیم.
🌐 https://t.me/ecohadico
آموزش چقدر روی دستمزد اثر داره؟
داده: پکیج wooldridge، مجموعه wage1 (دستمزد و ویژگی‌های ۵۲۶ نفر)
install.packages("wooldridge")
library(wooldridge)
data(wage1)سه سؤال:
۱. رگرسیون لگاریتم دستمزد (lwage) روی سال‌های تحصیل (educ) رو برآورد کنید. ضریب آموزش رو با یک جمله تفسیر کنید.
۲. تجربه (exper) و جنسیت (female) رو اضافه کنید. ضریب آموزش چه تغییری کرد؟
۳. به نظر شما ضریب آموزش اثر علّیه؟ یک دلیل بنویسید که چرا شاید نباشه.
✍️ قالب پاسخ های شما (کپی کنید و پر کنید):
ضریب مدل اول : …
ضریب مدل دوم : …
تفسیر مدل : …
دلیلم برای سؤال ۳: …
📌 لازم نیست کد بفرستید، همون تحلیل ها کافیه.
⏰ مهلت: تا جمعه شب
📥 جواب رو یا زیر همین پست بنویسید، یا اگه ترجیح می‌دید برام پیام بدید: @ecohadi
🔓 شنبه، جواب خودم و رایج‌ترین اشتباه‌های ناشناس‌شده رو همراه با چالش بعدی می‌ذارم.
اگه با R تازه آشنا هستید و فقط یکی از سه سؤال رو تونستید جواب بدید، همون رو بفرستید.
🔴 برای دوستانتون هم بفرستید بتونیم کامیونیتی فعالتری داشته باشیم.
🌐 https://t.me/ecohadico
❤7👎1
🏆 برندگان نوبل اقتصاد ۲۰۲۶ اعلام شدند!
آژانس سلطنتی علوم سوئد جایزه نوبل اقتصاد امسال را به رابرت ای. هال و مایکل وودفورد به خاطر پایه‌گذاری مدل‌های خرد در تثبیت اقتصاد کلان اهدا کرد.
🔹 ماجرا از چه قراره؟
از زمان کینز، دولت‌ها برای کنترل رکود و تورم از «سیاست‌های تثبیت» (مثل تغییر نرخ بهره یا بودجه) استفاده می‌کنند. اما بحران نفتی و تورم شدید دهه‌ی ۷۰ میلادی نشان داد مدل‌های قدیمیِ آماری دیگر جواب نمی‌دهند و حتی اوضاع را بدتر می‌کنند.
🔹 راه‌حل برندگان امسال چه بود؟
هال وودفورد مدل‌های اقتصادی را از نو ساختند. آن‌ها به جای اتکا به آمارهای کلی کلان (مثل نرخ تورم و مصرف کل)، مدل‌ها را روی «اقتصاد خرد» بنا کردند؛ یعنی بررسی رفتار تک‌تک خانوارها و کسب‌وکارها.
🔹 چرا این مدل‌ها مهم‌اند؟
در این مدل‌های جدید، مردم و شرکت‌ها نگاه به آینده دارند. وقتی بانک مرکزی یا دولت برنامه‌های اقتصادی‌شان را به‌موقع و شفاف اعلام می‌کنند، می‌توانند روی آینده‌نگری مردم تأثیر بگذارند و اقتصاد را از بحران‌ها و نوسانات شدید نجات دهند. این مدل‌ها در سال‌های اخیر نجات‌بخش اقتصادها در برابر رکودها بوده‌اند.
@ecohadico
آژانس سلطنتی علوم سوئد جایزه نوبل اقتصاد امسال را به رابرت ای. هال و مایکل وودفورد به خاطر پایه‌گذاری مدل‌های خرد در تثبیت اقتصاد کلان اهدا کرد.
🔹 ماجرا از چه قراره؟
از زمان کینز، دولت‌ها برای کنترل رکود و تورم از «سیاست‌های تثبیت» (مثل تغییر نرخ بهره یا بودجه) استفاده می‌کنند. اما بحران نفتی و تورم شدید دهه‌ی ۷۰ میلادی نشان داد مدل‌های قدیمیِ آماری دیگر جواب نمی‌دهند و حتی اوضاع را بدتر می‌کنند.
🔹 راه‌حل برندگان امسال چه بود؟
هال وودفورد مدل‌های اقتصادی را از نو ساختند. آن‌ها به جای اتکا به آمارهای کلی کلان (مثل نرخ تورم و مصرف کل)، مدل‌ها را روی «اقتصاد خرد» بنا کردند؛ یعنی بررسی رفتار تک‌تک خانوارها و کسب‌وکارها.
🔹 چرا این مدل‌ها مهم‌اند؟
در این مدل‌های جدید، مردم و شرکت‌ها نگاه به آینده دارند. وقتی بانک مرکزی یا دولت برنامه‌های اقتصادی‌شان را به‌موقع و شفاف اعلام می‌کنند، می‌توانند روی آینده‌نگری مردم تأثیر بگذارند و اقتصاد را از بحران‌ها و نوسانات شدید نجات دهند. این مدل‌ها در سال‌های اخیر نجات‌بخش اقتصادها در برابر رکودها بوده‌اند.
@ecohadico
❤25👍18👎1
🔆 ترکیب یادگیری ماشین و اقتصادسنجی علّی با پایتون با معرفی (DML)
چطور می‌توانیم از الگوریتم‌هایی مثل Random Forest برای برآورد اثر علّی استفاده کنیم؟
روش Double Machine Learning (DML) تلاش می‌کند با استفاده از یادگیری ماشین، روابط پیچیده بین متغیرهای کنترلی، متغیر درمان و پیامد را مدل‌سازی کند و در نهایت اثر علّی را برآورد کند.
📌 معرفی یک مقاله کاربردی
در مقاله زیر، Shunxin Yao از دانشگاه QUT، پیاده‌سازی DML در پایتون را برای دو نوع متغیر درمان بررسی کرده است:
🔹 درمان دودویی: مثل شرکت کردن یا نکردن در یک دوره آموزشی.
🔹 درمان پیوسته: مثل میزان اعتبار دریافتی یک بنگاه.
نویسنده با استفاده از داده‌های شبیه‌سازی‌شده، بسته DoubleML و الگوریتم Random Forest را به کار می‌گیرد.
🔍 یک نکته مهم: ضریب واقعی درمان در فرایند شبیه‌سازی ۱٫۵ است، اما برآوردهای گزارش‌شده در مقاله ۰٫۱۴۸ و ۰٫۴۱۵ هستند. این اختلاف، ضرورت بررسی کد و بازتولید نتایج را نشان می‌دهد.
💡 درس روش‌شناختی: معناداری آماری به‌تنهایی به معنای برآورد درست اثر علّی نیست!
🔗 مطالعه مقاله
#اقتصادسنجی #یادگیری_ماشین #DML #Python #استنباط_علّی
🌐 https://t.me/ecohadico
چطور می‌توانیم از الگوریتم‌هایی مثل Random Forest برای برآورد اثر علّی استفاده کنیم؟
روش Double Machine Learning (DML) تلاش می‌کند با استفاده از یادگیری ماشین، روابط پیچیده بین متغیرهای کنترلی، متغیر درمان و پیامد را مدل‌سازی کند و در نهایت اثر علّی را برآورد کند.
📌 معرفی یک مقاله کاربردی
در مقاله زیر، Shunxin Yao از دانشگاه QUT، پیاده‌سازی DML در پایتون را برای دو نوع متغیر درمان بررسی کرده است:
🔹 درمان دودویی: مثل شرکت کردن یا نکردن در یک دوره آموزشی.
🔹 درمان پیوسته: مثل میزان اعتبار دریافتی یک بنگاه.
نویسنده با استفاده از داده‌های شبیه‌سازی‌شده، بسته DoubleML و الگوریتم Random Forest را به کار می‌گیرد.
🔍 یک نکته مهم: ضریب واقعی درمان در فرایند شبیه‌سازی ۱٫۵ است، اما برآوردهای گزارش‌شده در مقاله ۰٫۱۴۸ و ۰٫۴۱۵ هستند. این اختلاف، ضرورت بررسی کد و بازتولید نتایج را نشان می‌دهد.
💡 درس روش‌شناختی: معناداری آماری به‌تنهایی به معنای برآورد درست اثر علّی نیست!
🔗 مطالعه مقاله
#اقتصادسنجی #یادگیری_ماشین #DML #Python #استنباط_علّی
🌐 https://t.me/ecohadico
❤5👍2👎1
💬 یک سؤال از بچه‌های Ecohadi
تا حالا شده وسط یک پروژه اقتصادسنجی یا تحلیل داده، گیر بیوفتی و هر چی تلاش می کنی به نتیجه دلخواه نرسی؟
مثلاً:
▫️ داده‌هات به‌هم‌ریخته باشن و ندونی چطوری تمیز‌شون کنی.
▫️ مدل رو اجرا کنی، ولی نتونی نتایجش رو به درستی تفسیر کنی.
▫️ خروجی با چیزی که انتظار داشتی فرق داشته باشه.
▫️ ندونی برای سؤال پژوهشت کدوم روش مناسب‌تره.
🎯 برای شما کدوم یکی سخت‌تر بوده؟ یا چه مشکل دیگه‌ای در این مسیر داشتید؟
از تجربه‌اتون برام بنویسید؛ حتی اگر مسئله ساده‌ای بوده. شاید همین گفت‌وگو به حل مشکل یکی دیگه هم کمک کنه.
می‌خوام موضوع چالش‌های بعدی کانال رو تا جای ممکن از مشکلات واقعی خودتون انتخاب کنم.
@ecohadi
#اقتصادسنجی #تحلیل_داده #تجربه_پژوهشی
🌐 https://t.me/ecohadico
تا حالا شده وسط یک پروژه اقتصادسنجی یا تحلیل داده، گیر بیوفتی و هر چی تلاش می کنی به نتیجه دلخواه نرسی؟
مثلاً:
▫️ داده‌هات به‌هم‌ریخته باشن و ندونی چطوری تمیز‌شون کنی.
▫️ مدل رو اجرا کنی، ولی نتونی نتایجش رو به درستی تفسیر کنی.
▫️ خروجی با چیزی که انتظار داشتی فرق داشته باشه.
▫️ ندونی برای سؤال پژوهشت کدوم روش مناسب‌تره.
🎯 برای شما کدوم یکی سخت‌تر بوده؟ یا چه مشکل دیگه‌ای در این مسیر داشتید؟
از تجربه‌اتون برام بنویسید؛ حتی اگر مسئله ساده‌ای بوده. شاید همین گفت‌وگو به حل مشکل یکی دیگه هم کمک کنه.
می‌خوام موضوع چالش‌های بعدی کانال رو تا جای ممکن از مشکلات واقعی خودتون انتخاب کنم.
@ecohadi
#اقتصادسنجی #تحلیل_داده #تجربه_پژوهشی
🌐 https://t.me/ecohadico
👍11❤4👎1
Ecohadi.com(اقتصادسنجی)
🎯 #چالش_هفته (شماره ۱) آموزش چقدر روی دستمزد اثر داره؟ داده: پکیج wooldridge، مجموعه wage1 (دستمزد و ویژگی‌های ۵۲۶ نفر) install.packages("wooldridge") library(wooldridge) data(wage1) سه سؤال: ۱. رگرسیون لگاریتم دستمزد (lwage) روی سال‌های تحصیل (educ)…
Media is too big
VIEW IN TELEGRAM
پاسخ چالش هفته گذشته را در قالب یک ویدئوی کوتاه برای شما گذاشتم
امیدوارم این چالش ها بهانه ای باشه تا یادگیری R رو شروع کنید و هر روز قوی تر و حرفه ای تر بشید.
@ecohadico
امیدوارم این چالش ها بهانه ای باشه تا یادگیری R رو شروع کنید و هر روز قوی تر و حرفه ای تر بشید.
@ecohadico
❤18👍2👎1
دوستان آگهی شغلی را که اینجا گذاشته بودم به دلیل عدم شناخت کافی از کارفرما حذف کردم
با عرض پوزش فراوان از همه عزیزان
با عرض پوزش فراوان از همه عزیزان
👍23❤12👎1🐳1
#معرفی_موقعیت_شغلی_بین_المللی
موقعیت شغلی Business Analyst در شرکت مشاوره بین‌المللی Reddal
محل کار تهران، تسلط به زبان انگلیسی و فارسی ضروری است
لینک آگهی
https://www.linkedin.com/feed/update/urn:li:activity:7517866393514696704/
لینک اپلای
https://www.reddal.com/join-reddal/open-positions/business-analyst/
🌐 @ecohadico
موقعیت شغلی Business Analyst در شرکت مشاوره بین‌المللی Reddal
محل کار تهران، تسلط به زبان انگلیسی و فارسی ضروری است
لینک آگهی
https://www.linkedin.com/feed/update/urn:li:activity:7517866393514696704/
لینک اپلای
https://www.reddal.com/join-reddal/open-positions/business-analyst/
🌐 @ecohadico
❤8👍1👎1
📢 فراخوان همکاری پژوهشی در حوزه اقتصاد و فناوری‌های مالی
پژوهشکده پولی و بانکی بانک مرکزی از پژوهشگران جوان، دانشجویان تحصیلات تکمیلی و دانش‌آموختگان جدید دکتری برای همکاری پژوهشی دعوت می‌کند.
🔹 حوزه‌های پژوهشی:
رمزدارایی‌ها و فناوری بلاکچین
ریال دیجیتال و ارز دیجیتال بانک مرکزی
هوش مصنوعی و بانکداری هوشمند
فناوری‌های مالی و تحول دیجیتال
تنظیم‌گری و حکمرانی فناوری
🔹 شرایط: فارغ‌التحصیلان ارشد، دانشجویان دکتری و دانش‌آموختگان جدید دکتری در رشته‌های مرتبط، با حداکثر سن ۳۶ سال.
📄 مدارک مورد نیاز: رزومه علمی، حداقل یک توصیه‌نامه و معرفی کوتاهی از علایق و زمینه‌های پژوهشی.
📧 ارسال درخواست به:
research@mbri.ac.ir
موضوع ایمیل: درخواست همکاری پژوهشی – گروه رمزدارایی و فناوری‌های نوین
💡 برای پژوهشگران اقتصاد، علوم داده و علاقه‌مندان به اقتصاد مالی و فناوری‌های نوین، این فراخوان می‌تواند فرصت مناسبی برای ورود به پروژه‌های پژوهشی کاربردی باشد.
🌐 https://t.me/ecohadico
پژوهشکده پولی و بانکی بانک مرکزی از پژوهشگران جوان، دانشجویان تحصیلات تکمیلی و دانش‌آموختگان جدید دکتری برای همکاری پژوهشی دعوت می‌کند.
🔹 حوزه‌های پژوهشی:
رمزدارایی‌ها و فناوری بلاکچین
ریال دیجیتال و ارز دیجیتال بانک مرکزی
هوش مصنوعی و بانکداری هوشمند
فناوری‌های مالی و تحول دیجیتال
تنظیم‌گری و حکمرانی فناوری
🔹 شرایط: فارغ‌التحصیلان ارشد، دانشجویان دکتری و دانش‌آموختگان جدید دکتری در رشته‌های مرتبط، با حداکثر سن ۳۶ سال.
📄 مدارک مورد نیاز: رزومه علمی، حداقل یک توصیه‌نامه و معرفی کوتاهی از علایق و زمینه‌های پژوهشی.
📧 ارسال درخواست به:
research@mbri.ac.ir
موضوع ایمیل: درخواست همکاری پژوهشی – گروه رمزدارایی و فناوری‌های نوین
💡 برای پژوهشگران اقتصاد، علوم داده و علاقه‌مندان به اقتصاد مالی و فناوری‌های نوین، این فراخوان می‌تواند فرصت مناسبی برای ورود به پروژه‌های پژوهشی کاربردی باشد.
🌐 https://t.me/ecohadico
❤8👍3👎1
Forwarded from روزنوشت
#ایده
درمورد انجمن های فارغ التحصیلان محلی
یک کار خوبی که فارغ التحصیلان دانشکده حکمرانی هاروارد با هماهنگی با دانشکده می کنند، این است که انجمن های فارغ التحصیلی محلی در شهرهای بزرگ در کشورهای مختلف ایجاد می کنند. هدف آن ها، تسهیل ارتباط بین فارغ التحصیلان است.
در ایران می دانم که دانشگاه ها و دانشکده های مختلف انجمن فارغ التحصیلان دارد. ولی تا آن جا که دیده ام، همگی در همان شهر محل دانشگاه هستند. و مثلا اگر کسی فارغ التحصیل شد و به شهر دیگری جابجا شد، ارتباطش با بقیه قطع می شود.
مثلا می شود انجمن فارغ التحصیلان دانشگاه الف که در شهر تهران واقع است، در شهر مشهد، قزوین، شیراز و غیره ایجاد کرد تا ساکنین استان هایی که آن شهرها در آن واقع اند، بتوانند با هم ارتباط بسازند و بعضا کار و پروژه ای با هم شروع کنند.
چرا که یک دست صدا ندارد!
@kennedy_notes
درمورد انجمن های فارغ التحصیلان محلی
یک کار خوبی که فارغ التحصیلان دانشکده حکمرانی هاروارد با هماهنگی با دانشکده می کنند، این است که انجمن های فارغ التحصیلی محلی در شهرهای بزرگ در کشورهای مختلف ایجاد می کنند. هدف آن ها، تسهیل ارتباط بین فارغ التحصیلان است.
در ایران می دانم که دانشگاه ها و دانشکده های مختلف انجمن فارغ التحصیلان دارد. ولی تا آن جا که دیده ام، همگی در همان شهر محل دانشگاه هستند. و مثلا اگر کسی فارغ التحصیل شد و به شهر دیگری جابجا شد، ارتباطش با بقیه قطع می شود.
مثلا می شود انجمن فارغ التحصیلان دانشگاه الف که در شهر تهران واقع است، در شهر مشهد، قزوین، شیراز و غیره ایجاد کرد تا ساکنین استان هایی که آن شهرها در آن واقع اند، بتوانند با هم ارتباط بسازند و بعضا کار و پروژه ای با هم شروع کنند.
چرا که یک دست صدا ندارد!
@kennedy_notes
❤17👎1
Forwarded from با متمم | هایلایت | محمدرضا شعبانعلی
کوچک‌ترین اقلیت در جهان
"فرد" است.
کسانی که حقوق فردی را انکار می‌کنند، نمی‌توانند مدعی دفاع از حقوق اقلیت باشند.
آین رند
"فرد" است.
کسانی که حقوق فردی را انکار می‌کنند، نمی‌توانند مدعی دفاع از حقوق اقلیت باشند.
آین رند
❤19👍4👎1
🔆 در اقتصادسنجی علّی، هر متغیری را نباید کنترل کرد!
یکی از اشتباهات رایج در رگرسیون این است که تصور کنیم هرچه متغیرهای بیشتری به مدل اضافه کنیم، نتایج معتبرتر می‌شوند.
🔍 یک مثال ساده:
فرض کنید می‌خواهیم اثر آموزش بر درآمد را بررسی کنیم.
مخدوش‌گر: توانایی اولیه فرد می‌تواند هم بر میزان تحصیلات و هم بر درآمد اثر بگذارد؛ پس کنترل آن می‌تواند ضروری باشد.
متغیر میانجی: اگر تحصیلات باعث افزایش مهارت شغلی و در نتیجه افزایش درآمد شود، کنترل مهارت شغلی ممکن است بخشی از اثر واقعی تحصیلات بر درآمد را حذف کند.
💡 پس چه متغیرهایی را کنترل کنیم؟
🔹 مخدوش‌گرها را کنترل کنید.
🔹 متغیرهایی را که پیامد را به‌خوبی پیش‌بینی می‌کنند، در صورت مناسب‌بودن، به مدل اضافه کنید؛ این کار می‌تواند دقت برآورد را افزایش دهد.
🔹 متغیرهایی را که فقط درمان را پیش‌بینی می‌کنند، با احتیاط انتخاب کنید؛ ممکن است دقت برآورد را کاهش دهند.
🔹 متغیرهای میانجی و متغیرهای برخوردگر (Collider) را بدون بررسی ساختار علّی وارد مدل نکنید؛ این کار می‌تواند سوگیری ایجاد کند.
نکته کلیدی: قبل از اضافه‌کردن هر متغیر به مدل، از خودتان بپرسید: این متغیر در چه مسیری از رابطه علّی قرار دارد؟
🔴 اگر برای شما جالب بود برای دوستانتون هم ارسال کنید❤️
#اقتصادسنجی #استنباط_علّی #رگرسیون #CausalInference
📖 منبع: از کتاب Causal Inference for The Brave and True
🌐 https://t.me/ecohadico
یکی از اشتباهات رایج در رگرسیون این است که تصور کنیم هرچه متغیرهای بیشتری به مدل اضافه کنیم، نتایج معتبرتر می‌شوند.
🔍 یک مثال ساده:
فرض کنید می‌خواهیم اثر آموزش بر درآمد را بررسی کنیم.
مخدوش‌گر: توانایی اولیه فرد می‌تواند هم بر میزان تحصیلات و هم بر درآمد اثر بگذارد؛ پس کنترل آن می‌تواند ضروری باشد.
متغیر میانجی: اگر تحصیلات باعث افزایش مهارت شغلی و در نتیجه افزایش درآمد شود، کنترل مهارت شغلی ممکن است بخشی از اثر واقعی تحصیلات بر درآمد را حذف کند.
💡 پس چه متغیرهایی را کنترل کنیم؟
🔹 مخدوش‌گرها را کنترل کنید.
🔹 متغیرهایی را که پیامد را به‌خوبی پیش‌بینی می‌کنند، در صورت مناسب‌بودن، به مدل اضافه کنید؛ این کار می‌تواند دقت برآورد را افزایش دهد.
🔹 متغیرهایی را که فقط درمان را پیش‌بینی می‌کنند، با احتیاط انتخاب کنید؛ ممکن است دقت برآورد را کاهش دهند.
🔹 متغیرهای میانجی و متغیرهای برخوردگر (Collider) را بدون بررسی ساختار علّی وارد مدل نکنید؛ این کار می‌تواند سوگیری ایجاد کند.
نکته کلیدی: قبل از اضافه‌کردن هر متغیر به مدل، از خودتان بپرسید: این متغیر در چه مسیری از رابطه علّی قرار دارد؟
🔴 اگر برای شما جالب بود برای دوستانتون هم ارسال کنید❤️
#اقتصادسنجی #استنباط_علّی #رگرسیون #CausalInference
📖 منبع: از کتاب Causal Inference for The Brave and True
🌐 https://t.me/ecohadico
👍5❤1