#معرفی_کتاب

معرفی یک کتاب خوب بعد از مدتها دوری از اینترنت جهانی و شما دوستان عزیز

امیدوارم با خوندن این کتاب نکات ارزشمندی را یاد بگیریم

https://rafalab.dfci.harvard.edu/dsbook-part-1/

🌐 @ecohadico

🔆 از ایده تا داده؛ بیایید این مسیر را با هم هموارتر کنیم

نوشتن یک مقاله، پیش‌بردن پایان‌نامه، یا تحلیل داده‌های یک پروژه، قبل از اینکه یک کار علمی باشد، یک مسیر پر از دغدغه فکری است. اغلب ما که در فضای پژوهش و علوم اجتماعی درگیر هستیم، آن لحظه‌های کلافگی را خوب می‌شناسیم؛ لحظه‌هایی که ایده قشنگی در ذهن داریم، اما ساعت‌ها و روزها پشت سدّ کدهای فرسوده‌ی Stata و R و پایتون و خطاهای عجیب آزمون‌ها، یا ماتریس‌های فضایی نامفهوم گیر می‌کنیم.

گاهی این چالش‌های فنی و فرسایشی، آن‌قدر انرژی ذهنی ما را می‌گیرند که انگیزه اصلی‌مان برای تحقیق و نوشتن کم‌رنگ می‌شود.

در این چند سال، در حد توانم تلاش کرده‌ام در این کانال با آموزش‌ها و به اشتراک گذاشتن تجربه‌های شخصی، کمی از این مسیر را برای شما روشن‌تر کنم. اما می‌دانم که هر پروژه، ساختار و چالش‌های منحصربه‌فرد خودش را دارد.

اگر این روزها روی پژوهش یا پروژه‌ای کار می‌کنید و حس می‌کنید در بخش تحلیل داده‌ها، مدل‌سازی اقتصادسنجی، یا رسم نقشه‌ها و نمودارهای استاندارد به مشکل خورده‌اید یا نیاز به یک هم‌فکری دارید، دوست دارم به عنوان یک دستیار تحقیق و مشاور در کنارتان باشم.

هدف من این نیست که صرفاً یک پروژه تحویل بگیرم؛ بلکه می‌خواهم کمک کنم تا:

🌱 بار سنگین و فرسایشی کدنویسی و خطایابی از روی دوشتان برداشته شود.

🌱 داده‌هایتان دقیق، شفاف و بر اساس استانداردهای روز آکادمیک با نرم افزارها و زبان هاب برنامه نویسی مانند Stata, R , Python تحلیل شوند.

🌱 و مهم‌تر از همه، با آرامش ذهنی بیشتری روی اصل ایده و تحلیل‌های اقتصادی کارتان تمرکز کنید.

پژوهش یک کار تیمی و همدلانه است. اگر فکر می‌کنید حضور من به عنوان دستیار تحقیق می‌تواند به پیشرفت و کیفیت کارتان کمک کند، خوشحال می‌شوم جزئیات و دغدغه‌های پروژه‌تان را بشنوم تا با هم بررسی کنیم که چطور می‌شود بهترین خروجی را گرفت.

📩 می‌توانید از اینجا با من در ارتباط باشید:
👉 @ecohadi

@ecohadico🌐
#اقتصادسنجی #تحلیل_داده #دستیار_تحقیق #R #Stata

📢 دوره تخصصی آموزش Stata در راه است

با توجه به استقبال دوستان، دوره‌ای با محوریت تحلیل داده‌های اقتصادی ایران طراحی می‌شود.

📌 سرفصل‌های اصلی:
• مدیریت داده ها و آمار توصیفی
• مدل‌های رگرسیون خطی و لاجیت
• داده‌های پانل (اثرات ثابت و تصادفی)
• مصورسازی و گزارش‌نویسی حرفه ای

برای طراحی دوره متناسب با نیاز شما عزیزان، خواهشمندم در نظرسنجی زیر شرکت فرمایید 👇

🔆 دوره فشرده آموزش Stata؛ از پایان‌نامه تا بازار کار

چند روز پیش از اعضای کانال پرسیدیم:
هدف شما از یادگیری Stata چیست؟

📈 نتایج نظرسنجی بین 111 نفر:

✅ 53٪ برای ورود به بازار کار
✅ 52٪ برای تحلیل داده‌های مقاله و پایان‌نامه
✅ 18٪ برای آشنایی با نرم‌افزار
✅ 17٪ برای ورود به دنیای کدنویسی

به همین دلیل این دوره صرفاً آموزش چند دستور نرم‌افزاری نیست؛ بلکه طوری طراحی شده که بتوانید بعد از پایان دوره:

✔️ داده‌های پایان‌نامه و مقاله خود را تحلیل کنید
✔️ خروجی‌های حرفه‌ای و قابل انتشار تهیه کنید
✔️ پروژه‌های آماری و پژوهشی انجام دهید
✔️ مهارت کاربردی موردنیاز بازار کار را کسب کنید

📚 سرفصل‌های دوره

🔹 دستورات پایه و مدیریت داده‌ها
🔹 آمار توصیفی و مصورسازی داده‌ها
🔹 تحلیل داده‌های پرسشنامه‌ای
🔹 آزمون‌های آماری پرکاربرد در پایان‌نامه‌ها
🔹 رگرسیون خطی
🔹 رگرسیون لاجیت باینری
🔹 تحلیل داده‌های پانل (Panel Data)
🔹 مقدمه‌ای بر سری‌های زمانی
🔹 کار با داده‌های مکانی و جغرافیایی
🔹 تهیه جداول و گزارش‌های حرفه‌ای برای مقاله و پایان‌نامه
🔹 تحلیل یک پروژه واقعی از ابتدا تا انتها

🗓 زمان برگزاری:

24 خرداد تا 14 تیرماه به صورت آنلاین
📌 روزهای یکشنبه، سه‌شنبه و پنجشنبه ساعت 20:00

⏰ 10 جلسه آموزشی

💰 شهریه: 1,200,000 تومان

🎓 تخفیف ویژه دانشجویان: 200,000 تومان

⚠️ ظرفیت دوره محدود است.

📩 برای ثبت‌نام و دریافت اطلاعات بیشتر پیام دهید.

👤 @ecohadi

🌐 https://t.me/ecohadico

چند نکنه در مورد کلاس Stata

1⃣ دوره به صورت پروژه محور است، یعنی دو تا مقاله خوب را در طول دوره با داده های ایران پیاده سازی می کنیم.

2⃣ دوره شامل تمرین است، یعنی بعد از هر کلاس تمرین هایی برای انجام دادن به دانشجوها داده می شود که یادگیری عمیق رخ دهد.

3⃣ یک پروژه پایانی داریم که مقداری از سطح کلاس پیشرفته تر است و باعث می شود که برای انجام دادن آن، مقداری تمرین بیشتر انجام دهید.

🚀 برخی از مهمترین منابع مورد استفاده در دوره آموزش Stata

1️⃣ https://info.lse.ac.uk/current-students/digital-skills-lab/Stata

2️⃣ https://jackblun.github.io/metricsinstata/docs/part1/part1.html

3️⃣ https://github.com/paolajaimes/intro-stata-econ

4️⃣ https://libguides.bates.edu/ECON331/stata

5️⃣ https://economics.brown.edu/academics/undergraduate/stata-videos

6️⃣ https://www.ssc.wisc.edu/sscc/pubs/sfs/sfs-econ410.htm

7️⃣ https://economic-analysis-with-stata.uni-goettingen.de/

8️⃣ https://libguides.princeton.edu/dss/Stata


🌐 https://t.me/ecohadico

سلام به همگی امیدوارم خوب و سلامت باشید

دوستانی که علاقه مند به یادگیری نرم افزار STATA هستند، مهلت ثبت نام در کلاس تا جمعه عصر (۲۲ خرداد) هست و همچنین ظرفیت کلاس نیز محدود است.

چون بعد از هر کلاس کلی تمرین باید بررسی بشه و به دانشجویان حاضر در کلاس فیدبک داده شود.

ممنونم از همراهی پر مهر شما عزیزان🌺❤️

درود و مهر فراوان

ظرفیت باقیمانده جهت ثبت نام در کلاس Stata فقط ۲ نفر

از همراهی صمیمانه شما سپاسگزارم ❤️😍

🔆 علیت (Causality) !

علیت (Causality) یکی از مهم‌ترین مفاهیم در اقتصاد و اقتصادسنجی است. هدف تحلیل علّی این نیست که صرفاً بدانیم دو متغیر با یکدیگر همبستگی دارند، بلکه می‌خواهیم مشخص کنیم آیا تغییر در یک متغیر واقعاً موجب تغییر در متغیر دیگر می‌شود یا خیر.

پرسش‌هایی مانند «آیا تحصیلات باعث افزایش درآمد می‌شود؟»، «آیا افزایش حداقل دستمزد اشتغال را کاهش می‌دهد؟» یا «اثر سیاست‌های پولی بر رشد اقتصادی چیست؟» همگی پرسش‌های علّی هستند.

در دهه‌های اخیر، روش‌های نوین استنباط علّی به یکی از مهم‌ترین حوزه‌های پژوهش اقتصادی تبدیل شده‌اند و ابزارهایی مانند آزمایش‌های تصادفی، متغیرهای ابزاری، داده‌های پانلی و روش DID نقش محوری در شناسایی روابط علّی ایفا می‌کنند.

برای آشنایی بیشتر با مبانی نظری و کاربردهای عملی علیت در اقتصاد و اقتصادسنجی، سه منبع ارزشمند زیر پیشنهاد می‌شود:

✔️ https://www.r-causal.org/chapters/01-casual-to-causal

✔️ https://docs.iza.org/dp15081.pdf

✔️ https://www.econometrics-with-r.org/15-eodce.html

اگر برای شما مفید بود برای دوستانتون هم ارسال کنید❤️

🌐 https://t.me/ecohadico

#causality #علیت

سلام دوستان

اگر کسی در کلاس STATA ثبت نام کرده ولی هنوز لینک گروه کلاس رو دریافت نکرده لطفا برام پیام بگذارید.👇

@ecohadi

📚 معرفی چند منبع عالی برای یادگیری Python ویژه دانشجویان و پژوهشگران اقتصاد.

🔹 QuantEcon Python
https://python-programming.quantecon.org/intro.html

یکی از بهترین منابع دانشگاهی برای اقتصاددانان؛ از مبانی پایتون شروع می‌کند و به اقتصادسنجی، برنامه‌ریزی پویا، مدل‌های اقتصاد کلان و محاسبات اقتصادی می‌رسد.

🔹 Python for Data Sciences
https://egallic.fr/Enseignement/Python/en/_main.pdf

منبعی جامع برای یادگیری پایتون و تحلیل داده؛ مناسب دانشجویانی که می‌خواهند مهارت‌های برنامه‌نویسی و کار با داده‌های اقتصادی را از پایه یاد بگیرند.

🔹 Coding for Economists
https://aeturrell.github.io/coding-for-economists/

راهنمایی مدرن و کاربردی برای اقتصاددانان؛ تمرکز بر تحلیل داده، اقتصادسنجی، بازتولیدپذیری پژوهش و استفاده حرفه‌ای از ابزارهای Python در تحقیقات اقتصادی.

🔹 Data Science for Economists
https://www.econ148.org/textbook/

مناسب برای دانشجویان اقتصاد علاقه‌مند به علم داده؛ شامل مباحث داده‌کاوی، مصورسازی داده، یادگیری ماشین و کاربرد آن‌ها در مسائل اقتصادی.

💡 اگر هدف شما بازار کار، پایان‌نامه، مقاله علمی یا ورود به حوزه Data Science و اقتصاد محاسباتی است، مطالعه این چهار منبع به ترتیب فوق می‌تواند مسیر یادگیری بسیار خوبی ایجاد کند.

اگر برای شما مفید بود برای دوستانتون ارسال کنید❤️

🌐 https://t.me/ecohadico

🔆 روش GMM چیست و چه زمانی از آن استفاده می کنیم؟

یکی از مشکلات رایج در پژوهش‌های اقتصادی، مدیریتی و علوم اجتماعی این است که متغیرها همیشه آن‌قدر که در کتاب‌ها فرض می‌کنیم مستقل نیستند. گاهی بین متغیرهای توضیحی و خطای مدل ارتباط وجود دارد و در نتیجه روش‌های معمولی مانند OLS نتایج قابل اعتمادی ارائه نمی‌کنند.

روش تعمیم‌یافته گشتاورها یکی از مهم‌ترین راهکارهای اقتصادسنجی برای مواجهه با این مشکل است.
این روش معمولاً زمانی به کار می‌رود که با مسائلی مانند:
• درون‌زایی متغیرها
• داده‌های پانلی پویا
• ناهمسانی واریانس
• خودهمبستگی

مواجه باشیم.

📚 اگر قصد یادگیری عملی GMM را دارید، منابع معرفی‌شده در ادامه، نحوه اجرای Difference GMM و System GMM را به‌خوبی در نرم‌افزارهای Stata و R آموزش داده‌اند و می‌توانند نقطه شروع مناسبی برای ورود به این حوزه باشند.

1️⃣ Understanding the generalized method of moments (GMM): A simple example (Stata)

2️⃣ Dynamic panel data estimation with system-GMM (R)



اگر برای شما مفید بود برای دوستانتون هم ارسال کنید❤️

🌐 https://t.me/ecohadico

🔆 ماشین لرنینگ (Machine Learning) چیست؟

ماشین لرنینگ شاخه‌ای از هوش مصنوعی است که به کامپیوتر کمک می‌کند از داده‌ها الگو یاد بگیرد و بدون برنامه‌نویسی صریح برای هر مسئله، پیش‌بینی یا تصمیم‌گیری انجام دهد.

🔹 چه زمانی از ماشین لرنینگ استفاده می‌کنیم؟

وقتی حجم داده‌ها زیاد باشد یا روابط بین متغیرها پیچیده و غیرخطی باشند. برخی کاربردها:

🔘 پیش‌بینی نرخ تورم، رشد اقتصادی و نرخ ارز

🔘 تحلیل بازارهای مالی و قیمت سهام

🔘 اعتبارسنجی مشتریان بانکی

🔘 تحلیل اخبار و شبکه‌های اجتماعی

🔘 پیش‌بینی رفتار مصرف‌کنندگان

🔹 بهترین زبان برای یادگیری ماشین لرنینگ چیست؟

بدون تردید Python محبوب‌ترین و پرکاربردترین زبان در این حوزه است. دلیل آن وجود کتابخانه‌های قدرتمندی مانند:

Scikit-Learn
XGBoost
TensorFlow
PyTorch

است که یادگیری و پیاده‌سازی مدل‌های مختلف را بسیار ساده می‌کنند.

💡 برای دانشجویان اقتصاد، یادگیری Python در کنار اقتصادسنجی و آمار می‌تواند فرصت‌های پژوهشی و شغلی بسیار ارزشمندی ایجاد کند.

🔗 دو منبع رایگان و بسیار جذاب برای دانشجویان عزیز:

1️⃣ Coding for Economist (Arthur Turrell)

بخشی از این کتاب مربوط به ماشین لرنینگ است، توصیه می شود که همه کتاب را بخوانید. (نویسنده اش یک فیزیکدان است!)

2️⃣ Machine Learning for Economic Analysis (Matteo Courthoud)

این منبع بسیار جالبیه همراه با کدهای تخصصی و همچنین توضیحات مربوط به مدل ها، کاملا گام به گام پیش میره و از قسمت های ساده تا پیشرفته را در نظر می گیره)

اگه حس می کنید براتون مفیده برای بقیه دوستانتون هم ارسال کنید❤️

#اقتصاد #اقتصادسنجی #MachineLearning #Python #هوش_مصنوعی

🌐 https://t.me/ecohadico

📚 اگر می‌خواهید علیت (Causality) را عمیق‌تر یاد بگیرید، این سه کتاب از مهم‌ترین منابع این حوزه هستند:

🔹 Causal Inference for Statistics, Social, and Biomedical Sciences
نوشته Miguel Hernán و James Robins
یکی از جامع‌ترین منابع مدرن برای یادگیری چارچوب ضدواقعی (Counterfactual Framework) و استنباط علّی.

🔹 Mostly Harmless Econometrics
نوشته Joshua Angrist و Jörn-Steffen Pischke
احتمالاً محبوب‌ترین کتاب اقتصاددانان تجربی؛ با تمرکز بر روش‌های شناسایی علّی مانند IV، DID و RDD.

🔹 The Book of Why
نوشته Judea Pearl و Dana Mackenzie
کتابی جذاب و کم‌ریاضی که نشان می‌دهد چرا «همبستگی» با «علیت» تفاوت دارد و چگونه علم مدرن به پرسش‌های علّی پاسخ می‌دهد.

مطالعه این سه منبع در کنار یکدیگر، از مبانی مفهومی تا کاربردهای عملی استنباط علّی را پوشش می‌دهد.

#Econometrics #CausalInference #Causality #DataScience

من هنوز فکر می کنم در ایران کمتر سمت علیت رفته ایم.

اگر نیاز به pdf این کتاب ها داشتید بهم پیام بدید 👇
@ecohadi

🔴 اگر براتون مفید بود برای دوستانتون هم ارسال کنید🥰

🌐 https://t.me/ecohadico

#زندگی


دیروز یکی از افرادی که در پروژه ای همکار هستیم، پیغام داد که «ببخشید چند وقته کم در دسترس هستم. چند وقته دارم داروی ضدافسردگی مصرف می کنم و اثرات جانبی اش زندگی ام رو به هم ریخته». ایشان دانشجوی دکتری اقتصاد هستند و امسال قصد دارند فارغ التحصیل شوند.

واقعیت این است که مسیر تحصیل در دکتری بسیار طولانی است، و هزار مشکل می تواند طی آن رخ دهد. با علم به این موضوع، توصیه ام این است که اگر قصد بر تحصیل دارید، یک فعالیت جانبی مفید برای کاهش استرس خود در نظر بگیرید.

برای من، این فعالیت جانبی، همین نوشتن اینجا بوده، ورزش کردن، آشپزی و شیرینی پزی. هر چقدر از اهمیت این کارهای جانبی بگویم، حق مطلب را ادا نمی کند.

----------

در مورد اهمیت ورزش کردن:

https://t.me/kennedy_notes/4574




@kennedy_notes

فرصت کارآموزی در دفتر سازمان ملل تهران

برای دوستانی که دانشجو هستند و یا به تازگی فارغ التحصیل شده اند فرصت مناسبی است برای ورود به سازمان ملل

Intern - Public Information (UNIC Tehran)
Job Opening
Job Opening ID: 279431
Job Network : -
Job Family : Public Information
Category and Level : Internship, I-1
Duty Station : TEHRAN
Department/Office : Department of Global Communications
Date Posted : Jun 18, 2026
Deadline : Jul 3, 2026

https://careers.un.org/jobSearchDescription/279431?language=en

🌐 https://t.me/ecohadico