🚀 آموزش پایتون برای اقتصاد | جلسه 3

تحلیل و پیش بینی تورم با python

در این قسمت یاد می گیریم چطوری داده های فصلی را به ماهانه تبدیل کنیم.
بخاطر پیچیدگی هایی که این قسمت داشت من کدها رو به صورت آماده استفاده کردم. دوستانی که به کدهای این قسمت نیاز دارند به من پیام بدید تا براتون ارسال کنم.🌺

🌐 @ecohadico

🔆 چند روز پیش یک جلسه مشاوره یک‌ساعته با یکی از دانشجویان داشتم. تقریباً تمام جلسه درباره یک سؤال بود:

برای پایان‌نامه چه موضوعی انتخاب کنم و از کجا شروع کنم؟

جالب اینجاست که در ماه‌های اخیر این دغدغه را از دانشجویان زیادی شنیده‌ام. واقعیت این است که انتخاب موضوع پایان‌نامه فقط پیدا کردن یک عنوان جذاب نیست؛ بلکه تصمیمی است که می‌تواند مسیر چند سال آینده شما را تحت تأثیر قرار دهد.

اگر بخواهیم دانشجویان را از این نظر دسته‌بندی کنیم، معمولاً با سه گروه روبه‌رو هستیم:

۱. دانشجویانی که قصد ادامه تحصیل یا اپلای دارند

اگر هدفتان ورود به مقطع دکتری یا اپلای برای دانشگاه‌های خارج از کشور است، بهتر است موضوعی را انتخاب کنید که بتوانید در سال‌های آینده نیز آن را ادامه دهید. هرچه زودتر روی یک حوزه تخصصی متمرکز شوید، در آینده رزومه پژوهشی منسجم‌تر و قوی‌تری خواهید داشت.

۲. دانشجویانی که قصد ورود به بازار کار را دارند

اگر هم‌اکنون شاغل هستید یا می‌خواهید در حوزه تخصصی خود استخدام شوید، بهتر است موضوع پایان‌نامه با همان حوزه مرتبط باشد. در این صورت پایان‌نامه فقط یک الزام دانشگاهی نخواهد بود، بلکه می‌تواند به تقویت مهارت‌ها و رزومه حرفه‌ای شما نیز کمک کند.

۳. دانشجویانی که فقط می‌خواهند فارغ‌التحصیل شوند

برخی دانشجویان قصد ادامه تحصیل یا فعالیت حرفه‌ای در رشته خود را ندارند و فقط می‌خواهند دوره تحصیلی را به پایان برسانند. برای این گروه معمولاً انتخاب موضوع‌های عمومی‌تر با داده‌های در دسترس، تصمیم منطقی‌تری است تا بتوانند در زمان مناسب فارغ‌التحصیل شوند.

به نظر من، قبل از انتخاب موضوع پایان‌نامه باید ابتدا به این سؤال پاسخ دهید:

چند سال آینده خودم را در کجا می‌بینم؟

پاسخ این سؤال، مسیر انتخاب موضوع را تا حد زیادی روشن می‌کند.

اگر دوست داشته باشید، در چند پست آینده درباره مراحل انتخاب موضوع، پیدا کردن ایده پژوهشی و اشتباهات رایج در انتخاب موضوع پایان‌نامه بیشتر خواهم نوشت.

🔴 اگر شما هم در انتخاب موضوع پژوهش یا طراحی مسیر پژوهشی سؤالی دارید، خوشحال می‌شوم در حد توانم راهنمایی‌تان کنم.👇

@ecohadi

🌐 https://t.me/ecohadicom

🔆 چند روز پیش قول دادم درباره پیدا کردن ایده پایان‌نامه از دل مقالات موجود بنویسم. این یکی از کاربردی‌ترین روش‌هایی است که به دانشجویان توصیه می‌کنم، چون برخلاف تصور رایج، نیازی نیست ایده‌ای کاملاً بکر و از صفر پیدا کنید.

وقتی یک مقاله مرتبط با حوزه‌تان را می‌خوانید، به این بخش‌ها دقت کنید:

۱. بخش Limitations
نویسندگان معمولاً در پایان مقاله محدودیت‌های کارشان را صادقانه بیان می‌کنند؛ مثلاً «داده‌های ما فقط برای یک کشور بود» یا «امکان کنترل فلان متغیر را نداشتیم». همین جمله می‌تواند نقطه شروع پایان‌نامه شما باشد.

۲. بخش Future Research / Suggestions for Future Studies
این بخش تقریباً یک لیست آماده از ایده‌های پژوهشی است که خود نویسندگان پیشنهاد داده‌اند اما فرصت انجامش را نداشته‌اند.

۳. تکرار روش در بستر متفاوت
اگر مقاله‌ای یک روش یا مدل را روی داده‌های یک کشور یا دوره زمانی خاص اجرا کرده، می‌توانید همان چارچوب را روی داده‌های ایران، یک بازه زمانی جدیدتر، یا یک بخش اقتصادی متفاوت پیاده کنید.

۴. ترکیب دو مقاله
گاهی بهترین ایده‌ها از کنار هم گذاشتن دو مقاله از دو حوزه متفاوت به دست می‌آید؛ مثلاً روشی از یک مقاله اقتصادسنجی را با موضوع یک مقاله سیاست‌گذاری ترکیب کنید.

🔴 نکته مهم: هدف کپی کردن نیست، بلکه پیدا کردن یک خلاء مشخص است که بتوانید با داده و ابزار در دسترس خودتان پرش کنید.


🔘 اگر در این مسیر به مقاله‌ای برخوردید و مطمئن نبودید ایده‌ی قابل دفاعی از اون بیرون میاد یا نه، خوشحال می‌شم کمکتون کنم. 👇

@ecohadi

🌐 https://t.me/ecohadicom

معرفی موقعیت شغلی تحلیلگر اقتصادی

https://banaelc.com/%d9%87%d9%85%da%a9%d8%a7%d8%b1%db%8c-%d8%a8%d8%a7-%d9%85%d8%a7/

🌐 ecohadico

سلام دوستان
کسی هست این کتاب رو داشته باشه یا بتونه تهیه کنه برام

ممنون از شما🙏🌺

@ecohadi

🔆 قبل از انتخاب موضوع پایان‌نامه، یه کار مهم انجام بده

یکی از اشتباهات رایج اینه که اول عاشق یه موضوع می‌شیم، بعد می‌ریم دنبال داده

چند ماه روی موضوع و پروپوزال کار می‌کنیم و آخرش می‌بینیم:

▫️ داده وجود نداره
▫️محرمانه‌ست
▫️فرکانسش به کارمون نمیاد
▫️ کلی داده گمشده داره

پس قبل از اینکه موضوع رو قطعی کنید، اول یه استعلام از داده‌ها بگیرید.

حداقل این ۳ تا رو چک کنید:

📌 داده‌ها از کجا میان؟
📌 برای چه سال‌ها و با چه فرکانسی هستن؟
📌 اصلاً می‌تونی باهاشون مدل موردنظرت رو اجرا کنی؟

حتی یه پایلوت کوچیک توی R یا Stata می‌تونه خیلی از مشکلات رو از همون اول نشونتون بده.

🎯 موضوع خوب، موضوعیه که بشه اجراش کرد؛ نه فقط موضوعی که قشنگ به نظر بیاد

🔴 شما تا حالا به خاطر داده مجبور شدید موضوع پایان‌نامه یا مقاله‌تون رو عوض کنید؟ 👇

@ecohadi

🌐 https://t.me/ecohadico

┄┄┅┅┅🌷⃟‌🇮🇷 ┅┅┅┄┄
⭕️انجمن علمی دانشجویی اقتصاد معاونت فرهنگی و اجتماعی برگزار میکند :

✨دوره آموزشی : ‌R در اقتصاد سنجی


👨🏻‍💻مدرس دوره : جناب آقای هادی حسن زاده
🗓 شروع از یکشنبه ۲۵ مرداد
⏰ زمان : روز های فرد ساعت ۱۸:۰۰ الی ۱۹:۰۰

📍برگزاری به صورت آنلاین


⭕️برای ثبت نام و دریافت بروشور دوره به اکانت انجمن پیام دهید:
@economicalzahra

لینک کانال تلگرامی استاد دوره

❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
https://eitaa.com/farhangialzahraplans

تلگرام | لینکدین | بله | اینستاگرام | دارکوب | یوتیوب

فرم پذیرش هفت موقعیت شغلی تحلیلگر اقتصاد
https://docs.google.com/forms/d/e/1FAIpQLSexNPv0TZUqa4dppZH2XtSN-VF4G2nndXfj5m0csdufKBLtWA/viewform

https://lnkd.in/p/d6nUCBbX

🔆 وقتی یک مدل اقتصادسنجی چند ساعت زمان می‌برد (یک تجربه شخصی)

در پروژه‌های اقتصادسنجی مالی، همیشه چالش اصلی انتخاب مدل نیست؛ گاهی خودِ برآورد مدل تبدیل به یک مسئله می‌شود.

در یکی از تحلیل‌های اخیرم با یک مدل چندمتغیره BEKK-GARCH کار می‌کردم. این مدل به دلیل تعداد زیاد پارامترها، ساختار غیرخطی و استفاده از الگوریتم‌های بهینه‌سازی، زمان محاسباتی بالایی دارد.

در مرحله اول، هر بار اجرای مدل زمان زیادی می‌گرفت و برای بررسی پایداری نتایج یا محاسبه خطاهای استاندارد، عملاً باید ساعت‌ها منتظر می‌ماندم.

برای حل این مشکل چند کار انجام دادم:

▫️ اول، به جای اینکه هر بار بهینه‌سازی را از نقطه شروع اولیه اجرا کنم، از جواب به‌دست‌آمده قبلی به عنوان نقطه شروع استفاده کردم. این کار باعث شد الگوریتم سریع‌تر به ناحیه بهینه نزدیک شود.

▫️ دوم، برای محاسبه خطای استاندارد به جای تکیه بر Hessian عددی که در مدل‌های پیچیده می‌تواند بسیار کند باشد، از بوت‌استرپ بلوکی استفاده کردم. این روش علاوه بر سازگاری بهتر با ماهیت سری‌های زمانی مالی، از نظر محاسباتی هم کارآمدتر بود.

▫️ سوم، در مرحله توسعه مدل تعداد تکرارهای بوت‌استرپ را کمتر در نظر گرفتم تا بتوانم سریع‌تر کد و نتایج را بررسی کنم و بعد از اطمینان از صحت مدل، تعداد تکرارها را برای گزارش نهایی افزایش خواهم داد.

یکی از چیزهایی که در کار با داده‌های واقعی یاد می‌گیریم این است که گاهی بهبود یک تحلیل فقط با تغییر مدل اتفاق نمی‌افتد؛ بلکه با طراحی بهتر فرآیند محاسباتی می‌توانیم زمان اجرا را به شکل قابل توجهی کاهش دهیم.

اقتصادسنجی کاربردی یعنی ترکیب دانش آماری، برنامه‌نویسی و حل مسئله‌های واقعی.

#تجربه_شخصی

🌐 https://t.me/ecohadico

🔆 ۷ سال کار با داده‌های اقتصادی یک چیز را به من یاد داده:

سخت‌ترین بخش اقتصادسنجی معمولاً انتخاب مدل نیست؛ آماده‌سازی داده است.

وقتی دانشجویان شروع به یادگیری اقتصادسنجی می‌کنند، معمولاً جذاب‌ترین بخش برایشان مدل‌ها هستند:

آیا از ARDL استفاده کنم؟
آیا مدل پنل بهتر است؟
آیا باید سراغ GMM یا روش‌های پیشرفته‌تر بروم؟

اما در پروژه‌های واقعی، قبل از رسیدن به این مرحله، چالش‌های مهم‌تری وجود دارد.

مثلاً:

▫️ داده مورد نیاز اصلاً وجود دارد؟

▫️ تعریف متغیرها در طول زمان تغییر نکرده؟

▫️ واحد اندازه‌گیری متغیرها یکسان است؟

▫️ داده‌های سالانه، فصلی یا ماهانه چگونه با هم هماهنگ می‌شوند؟

▫️ با داده‌های گمشده چه کنیم؟

▫️ آیا داده پرت داریم یا این مقادیر واقعاً اتفاق افتاده‌اند؟

▫️ آیا متغیری که در مدل وارد می‌کنیم واقعاً نماینده مفهوم اقتصادی موردنظر ماست؟

بارها پیش آمده که ساعت‌ها برای انتخاب مدل وقت گذاشته‌ام، اما در نهایت متوجه شده‌ام مسئله اصلی نه روش تخمین، بلکه خود داده بوده است. (نکته های ظریفی در این قسمت وجود دارد)

برای مثال، در یک تحلیل سری زمانی، قبل از اجرای مدل باید مطمئن شویم همه متغیرها در فرکانس مناسب قرار دارند. گاهی تبدیل داده‌های فصلی به ماهانه یا هماهنگ کردن منابع مختلف داده، خودش یک بخش مهم از پژوهش است. یا هماهنگ کردم بخش های مختلف یک متغیر به به قیمت ثابت در هر 5 یا 10 سال تنظیم شده نیاز به هماهنگی در طول سری زمانی دارد.

به نظرم تفاوت بین اجرای یک مدل اقتصادسنجی و انجام یک تحلیل اقتصادسنجی همین‌جاست.

مدل‌ها را می‌توان یاد گرفت؛
اما توانایی کار کردن با داده واقعی، چیزی است که با تجربه ساخته می‌شود.

🌐 https://t.me/ecohadico

🔆 ۱۰ کاری که من قبل از تخمین هر مدل اقتصادسنجی انجام می‌دم

توی پست قبلی گفتم که به نظرم سخت‌ترین بخش اقتصادسنجی، انتخاب مدل نیست؛ آماده کردن داده‌ست.

اما قبل از اینکه مدل رو اجرا کنم، معمولاً این ۱۰ مورد رو چک می‌کنم:

1️⃣ اول دقیق مشخص می‌کنم سؤال پژوهش چیه.

2️⃣ منبع داده رو بررسی می‌کنم؛ داده از کجا اومده و چقدر قابل اعتماده؟

3️⃣ تعریف متغیرها رو چک می‌کنم. اسم یک متغیر به‌تنهایی کافی نیست.

4️⃣ ساختار داده رو مشخص می‌کنم؛ سری زمانی، مقطعی یا پنل؟

5️⃣ فرکانس متغیرها رو بررسی می‌کنم؛ ماهانه، فصلی یا سالانه؟

6️⃣ داده‌های گمشده رو پیدا می‌کنم و سعی می‌کنم بفهمم چرا ایجاد شدن.

7️⃣ داده‌های پرت رو بررسی می‌کنم؛ هر عدد عجیب الزاماً اشتباه نیست.

8️⃣ قبل از مدل، یه تحلیل توصیفی ساده انجام می‌دم و داده رو می‌بینم.

9️⃣ فرض‌های لازم برای مدل رو بررسی می‌کنم؛ مثل مانایی، خودهمبستگی، ناهمسانی واریانس و...

🔟 و در نهایت، قبل از رفتن سراغ مدل‌های پیچیده، یک مدل پایه اجرا می‌کنم.

به نظرم خیلی از مشکلات اقتصادسنجی، قبل از اینکه مدل رو اجرا کنیم اتفاق می‌افتن.

پس قبل از اینکه بپرسیم:

کدوم مدل رو اجرا کنم؟

شاید بهتر باشه اول بپرسیم: آیا داده‌ام برای این مدل آماده است؟

🌐 https://t.me/ecohadico

این مطلب از جناب دکتر محمدامین خرسندی را جالب یافتم

یه دوستی دارم که دوره دانشجویی تعریف می‌کرد:
اولین بار که توی شهر ما یه بانک دستگاه خودپرداز گذاشته بود، یکی از پیرمردهای فامیل منو دیده بود و گفته بود:
هادی! چه نشستی که بانک ... یه کارت داره می‌ده به ملت، یه دستگاه هم گذاشته جلو در بانک. میری کارت رو می‌ذاری تو دستگاه، چهارتا کلید می‌زنی، همین‌جوری پولیه که می‌ریزه بیرون! حالا پول نگیر، کی پول بگیر؟! بجنب، بجنب تا صفش شلوغ نشده!

حالا داستان هوش مصنوعی هم برای عده‌ای از مردم ساده‌دل و خوش‌خیال کم‌وبیش همین شده. فکر کردند چهار تا کارگاه پرامپت‌نویسی و حکمرانی داده در عصر هوش مصنوعی شرکت کنند، دروازه‌های آسمان گشوده خواهد شد.

به گمان من، مسئله خیلی عمیق‌تر از این حرف‌هاست. دانشجوی دکترای علوم انسانی، اجتماعی، هنر و ادبیات، علوم محیطی، و حتی حوزه‌های فنی و مهندسی، اگر امروز وارد دانشگاه شود و با زیربنای شیوه‌های متفاوت تفکر آشنایی جدی نداشته باشد، نمی‌تواند انتظار داشته باشد که صرفاً با افزودن چند ابزار هوش مصنوعی به جعبه‌ابزار پژوهشی گذشته، همان مسیر قبلی را سریع‌تر طی کند. چون مسئله فقط سرعت انجام پژوهش نیست. خودِ معماری پژوهش در حال تغییر است.

این تصور که آمار و روش تحقیق بلدم، پس می‌توانم رساله بنویسم، متعلق به دوره پیشاهوش‌مصنوعی است. دانشجوی دکترا که هنوز مسئله اصلی‌اش را در یادگیری پرامپت خلاصه کرده، هنوز متوجه نشده که این تو بمیری از اون تو بمیری‌ها نیست. ماجرا، ماجرای یک ابزار جدید نیست که آمده باشد چند مرحله از کار قبلی را سریع‌تر کند. این فناوری دارد ارزش نسبی بخش بزرگی از همان کارهایی را که کارگر دانش بابتشان پول می‌گرفت، تغییر می‌دهد.

چون حوزه تخصص و تجربه من از علوم مهندسی، محض و پزشکی فاصله دارد، معمولاً در گفتگو با دوستان این حوزه‌ها جانب احتیاط را رعایت می‌کنم. اما یک چیز عجیب را بارها از استادان این علوم شنیده‌ام:
مگه کسی دیگه توی این زمونه کتاب می‌خونه؟ همه‌چیز توی مقاله‌ها هست. علم روز یعنی مقاله.

اگر شما دوست عزیز از این حوزه‌های دانشی هستید، شاید بد نباشد یک بار دیگر به این گزاره فکر کنید. نه اینکه مقاله بی‌ارزش شده باشد. مسئله این است که وقتی ماشین‌ها در دسترسی، بازیابی، مقایسه و ترکیب حجم عظیمی از اطلاعات علمی روزبه‌روز تواناتر می‌شوند، مزیت انسان نمی‌تواند فقط دسترسی به اطلاعات بیشتر باشد. در چنین جهانی، آنچه کمیاب‌تر می‌شود، توانایی فهمیدن، ساختن پرسش، تشخیص مسئله واقعی از مسئله ظاهری، دیدن پیش‌فرض‌های پنهان، تشخیص استدلال معتبر از استدلال خوش‌ظاهر و آبکی، توانایی دیدن رابطه میان چیزهایی که ظاهراً بی‌ربط‌اند، و توانایی خلق چیزی که هنوز در داده‌ها وجود ندارد، است.

اینجاست که دوباره به ادعای خودم در پست جمعه گذشته در مورد کتاب برمی‌گردم؛ البته نه کتاب به‌عنوان رقیب مقاله، بلکه مطالعه عمیق به‌عنوان تمرین ساختن یک ذهن. شاید بخشی از دانش تخصصی را ماشین‌ها بسیار سریع‌تر از ما جذب و بازتولید کنند. اما انسانی که بتواند یک متن دشوار را چند بار بخواند، یک ایده را سال‌ها دنبال کند، با اندیشه یک متفکر بزرگ درگیر شود، و میان چند حوزه متفاوت ارتباط برقرار کند، چیزی به دست می‌آورد که صرفاً با دسترسی به اطلاعات به دست نمی‌آید.
#هوش_مصنوعی #AI

🌐 https://t.me/ecohadico

🔆 همبستگی پایین یعنی این متغیر به درد مدل نمی‌خوره؟

یکی از اشتباهاتی که اوایل کار با داده ممکنه انجام بدیم اینه که فکر کنیم:

اگر همبستگی دو متغیر پایین باشه، پس احتمالاً نباید اون‌ها رو وارد مدل کنیم.

اما ماجرا به این سادگی نیست.

مثلاً ممکنه همبستگی بین دو متغیر تقریباً صفر باشه، ولی وقتی متغیرهای دیگه رو کنترل می‌کنیم، رابطه معناداری بین اون‌ها دیده بشه.

یا حتی ممکنه رابطه بین دو متغیر غیرخطی باشه و ضریب همبستگی ساده نتونه اون رو نشان بده.

از طرف دیگه، همبستگی بالا هم لزوماً به این معنی نیست که یکی از متغیرها علت دیگریه.

پس همبستگی برای من بیشتر یک ابزار اولیه برای شناخت داده است، نه ابزاری برای تصمیم‌گیری نهایی درباره مدل.

قبل از تخمین مدل معمولاً دوست دارم داده رو از چند زاویه ببینم:

▫️ نمودارها
▫️ همبستگی
▫️ روند متغیرها
▫️ آمار توصیفی
▫️ و در نهایت، منطق اقتصادی رابطه

به نظرم یکی از مهم‌ترین مهارت‌ها در اقتصادسنجی اینه که یاد بگیریم قبل از اینکه به خروجی مدل اعتماد کنیم، خود داده رو بشناسیم.

📌 و این دقیقاً یکی از دلایلیه که من همیشه تأکید می‌کنم:

اقتصادسنجی از زمانی شروع نمی‌شه که مدل رو اجرا می‌کنیم؛ از زمانی شروع می‌شه که داده رو می‌بینیم.

@ecohadi

🌐 https://t.me/ecohadico

🔆 میخوای پایتون رو به صورت کاربردی در اقتصاد یاد بگیری ولی نمیدونی از کجا شروع کنی
به نظرم سایت quantecon.org رو حتما یه نگاهی بکنید Thomas J. Sargent و John Stachurski واقعا در محتوای آموزشی این سایت زحمت زیادی کشیدند.
اگه هیچ آشنایی با پایتون ندارید یا آشنایی کمی دارید از درست A First Course in Quantitative Economics with Python شروع کنید.
همه متن ها به صورت انگلیسی است و سعی شده از لغات راحت تری در توضیح مطالب استفاده بشه.
توصیه می کنم حتما مطالعه کنید که اگر دلتون خواست با داده های خودتون مقاله یا پروژه ای انجام بدید حداقل بدونید چیا لازم دارید.

اگه براتون مفید بود برای دوستانتون هم ارسال کنید❤️

🌐 https://t.me/ecohadico

🔆 چطور با حساب کردن حبه‌های سیر، اقتصادسنجی یاد بگیریم؟

بسیار از دانشجویان هنگام شروع درس اقتصادسنجی (Econometrics) یا روش تحقیق، در درک تفاوت همبستگی (Correlation) و علیت (Causation) یا فهم متغیرهای مداخله‌گر (Confounding Variables) دچار چالش می‌شوند.

در این مقاله داستانی و ملموس، ماجرای الکس را دنبال می‌کنیم؛ دانشجویی که تلاش می‌کند با استفاده از گام‌به‌گامِ متدولوژی اقتصادسنجی و تحلیل داده، علت حساسیت‌های غذایی عجیب خود و نامزدش را پیدا کند.

📌 در این مقاله چه می‌خوانید؟
🔹 ورود از آمار توصیفی به مدل‌سازی و رگرسیون OLS

🔹 خطای همبستگی کاذب (Spurious Correlation)؛ داستان معماگونه‌ی شمع معطر میا

🔹 کنترل متغیرهای پنهان و استفاده از گروه کنترل (Control Group) برای کشف علیت واقعی

🔗 مطالعه مقاله کامل در تلگراف:
https://telegra.ph/%D8%A7%D8%B2-%D8%AD%D8%A8%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%B3%DB%8C%D8%B1-%D8%AA%D8%A7-%D8%B1%DA%AF%D8%B1%D8%B3%DB%8C%D9%88%D9%86-OLS-%DA%86%D8%B7%D9%88%D8%B1-%D9%85%D8%AB%D9%84-%DB%8C%DA%A9-%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF%D8%AF%D8%A7%D9%86-%D8%B9%D9%84%D8%AA-%D9%88%D8%A7%D9%82%D8%B9%DB%8C-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-%D8%B1%D8%A7-%D9%BE%DB%8C%D8%AF%D8%A7-%DA%A9%D9%86%DB%8C%D9%85-09-21

✍️ مناسب برای دانشجویان اقتصاد، علوم داده و علاقه‌مندان به تحلیل داده

🏷 #اقتصادسنجی #آموزش_اقتصاد #علوم_داده #Econometrics #Causation

🌐 https://t.me/ecohadico

🔆 در چه زمینه‌هایی می‌تونیم با هم همکاری کنیم؟

اگر دانشجو یا پژوهشگر هستید و در مسیر پژوهش با یک مسئله روش‌شناختی یا اجرایی روبه‌رو شده‌اید، یا در سازمان و کسب‌وکارتون به دنبال تحلیل داده برای تصمیم‌گیری دقیق‌تر هستید، خوشحال می‌شم بتونم کمک‌تون کنم.

🔴 برای اینکه مسیر همکاری روشن‌تر باشه، مهم‌ترین حوزه‌های فعالیت من رو اینجا معرفی می‌کنم:

همکاری با دانشجویان

▫️ نقد و اصلاح پروپوزال پیش از ارائه (تمرکز بر انسجام روش‌شناسی، نه نگارش پروپوزال)
▫️ انتخاب مدل متناسب با سؤال پژوهشی و ساختار داده
▫️ رفع گره‌های فنی در اجرای مدل با R یا Stata
▫️ ارزیابی امکان‌سنجی داده پیش از قطعی‌شدن موضوع

همکاری با سازمان‌ها و کسب‌وکارها

▫️ طراحی و اعتبارسنجی شاخص‌های ترکیبی (ریسک، فشار مالی، امنیت انرژی و مشابه)
▫️ مدل‌سازی پیش‌بینی و تحلیل داده‌های سری‌زمانی/پنلی برای تصمیم‌سازی
▫️ تحلیل داده برای گزارش‌های پژوهشی و ارزیابی سیاست

اگه پروژه یا نیاز مشخص / مبهمی در یکی از این حوزه‌ها دارید، از طریق آیدی زیر پیام بدید. برای سؤالات کوتاه‌تر هم همین‌جا در بخش کامنت در خدمتم.

@ecohadi
🌐 https://t.me/ecohadico

#تجربه_شخصی

امروز داشتم روی یک مدل TVAR کار می‌کردم.

اول کار، همه متغیرها رو با کل مشاهدات وارد سیستم کردیم و آزمون غیرخطی بودن رو اجرا کردیم.

نتیجه؟ غیرخطی بودن تأیید نشد.

راستش اولش واقعاً کلافه‌کننده بود. با خودم گفتم این همه وقت گذاشتیم، حالا دیگه نمی‌تونیم بریم سراغ برآورد TVAR.

ولی پروژه رو رها نکردم و شروع کردم به بررسی دقیق‌تر داده‌ها و ساختار مدل.

همون‌جا متوجه شدم برای آزمون غیرخطی بودن، همه متغیرها رو یک‌جا وارد سیستم کرده بودیم. مدل خیلی سنگین شده بود و تعداد پارامترهایی که باید در دو رژیم برآورد می‌شد، نسبت به حجم داده زیاد بود.

تصمیم گرفتم یک بار مسیر رو عوض کنم.

اول یک سیستم پایه با متغیرهای کمتر ساختم و آزمون غیرخطی بودن رو دوباره اجرا کردم. تعداد bootstrapها رو هم بیشتر کردم تا p-value با دقت بیشتری بررسی بشه.

وقتی دیدم سیستم پایه درست کار می‌کنه، کانال‌های مختلف رو یکی‌یکی به مدل اضافه کردم.

اینجا بود که نتایج واقعاً برام جالب شد.

مدلی که چند ساعت قبل فکر می‌کردم شاید اصلاً نتونم برآوردش کنم، کم‌کم داشت شکل خودش رو پیدا می‌کرد.

این تجربه امروز برای خودم جالب بود، چون یک نتیجه اولیه تقریباً داشت منو قانع می‌کرد که مسیر تحلیل رو متوقف کنم؛ در حالی که مشکل اصلی جای دیگه ای بود.

گاهی وقت‌ها لازم نیست مدل رو کنار بذاریم
فقط باید یک قدم برگردیم عقب و ببینیم کجای مسیر رو زیادی شلوغ کرده‌ایم.

اگر شما هم در یک پروژه اقتصادسنجی با نتیجه‌ای مواجه شدید که فکر کردید کل مسیر پژوهش رو به هم می‌ریزه، خوشحال می‌شم تجربه‌تون رو اینجا بنویسید.

🌐 https://t.me/ecohadico