نحوه انجام رگرسیون قوی یا (Robust Regression) در STATA :
مقدمه:
بیایید بحث خود را در مورد Robust Regression با برخی اصطلاحات در رگرسیون خطی شروع کنیم.
باقیمانده یا Residual: تفاوت بین مقدار پیش بینی شده (براساس معادله رگرسیون) و مقدار واقعی مشاهده شده.
داده های پرت یا Outlier: در رگرسیون خطی، نقطه پرت، مشاهده ای با باقیمانده بزرگ است. به عبارت دیگر، مشاهده ای است که با توجه به مقدار آن روی متغیرهای پیش بینی، مقدار متغیر وابسته آن غیرعادی است. یک نقطه پرت ممکن است یک ویژگی نمونه را نشان دهد یا ممکن است نشان دهنده یک خطای ورود داده یا مشکل دیگیر باشد.
اهرم یا Leverage: مشاهده ای با مقدار شدید روی یک متغیر پیش بینی، نقطه ای با اهرم بالا است. اهرم اندازه گیری میزان انحراف یک متغیر مستقل از میانگین آن است. نقاط اهرمی بالا می تواند تأثیر زیادی بر برآورد ضرایب رگرسیون داشته باشد.
تاثیر یا Influence: اگر حذف مشاهدات برآورد ضرایب رگرسیون را به طور اساسی تغییر دهد، گفته می شود که یک مشاهده تأثیرگذار است. نفوذ را می توان محصول اهرم و بیرونی بودن در نظر گرفت.
فاصله کوک یا Cook’s D: معیاری که اطلاعات اهرم و باقیمانده مشاهده را ترکیب می کند.
رگرسیون قوی یا Robust Regression را می توان در هر موقعیتی که از رگرسیون حداقل مربعات استفاده می کنید استفاده کرد. هنگام برازش رگرسیون حداقل مربعات، ممکن است برخی نقاط پرت یا نقاط داده با اهرم بالا را پیدا کنیم. در رگرسیون قوی ما تصمیم گرفته‌ایم داده های پرت را حذف نکنیم. بنابراین ما هیچ دلیل قانع کننده ای برای حذف آنها از تحلیل نداریم. رگرسیون قوی ممکن است یک استراتژی خوب باشد، زیرا مصالحه ای است بین حذف کامل این نقاط از تجزیه و تحلیل و شامل همه نقاط داده و رفتار یکسان با همه آنها در رگرسیون OLS. ایده رگرسیون قوی این است که مشاهدات را بر اساس رفتار خوب این مشاهدات به طور متفاوت ارزیابی کنیم. به طور کلی، این شکلی از رگرسیون حداقل مربعات وزن‌دار و مجدد است.
برای اطلاع بیشتر از نحوه وزن دهی و انواع روش ها مقاله را در این لینک بخوانید.
برای فراخوانی داده ها از لینک زیر در ناحیه کامند استاتا استفاده کنید.
use https://stats.idre.ucla.edu/stat/stata/dae/crime, clear
در این رگرسیون می خواهیم تاثیر خانوارهای فقر و والدین مجرد را بر روی جرم بررسی کنیم.
تجزیه و تحلیل Robust Regression:
در بیشتر موارد، با اجرای یک رگرسیون OLS و انجام برخی تشخیص ها شروع می کنیم. با اجرای یک رگرسیون OLS شروع خواهیم کرد. lvr2plot برای ایجاد نموداری استفاده می‌شود که اهرم را در مقابل مجذور باقیمانده نشان می‌دهد، و گزینه mlabel برای برچسب‌گذاری نقاط روی نمودار استفاده می‌شود.
regress crime poverty single
این دستور رگرسیون OLS را برآورد می کند، سپس دستور زیر را اجرا می کنیم تا نمودار برازش را به ما نشان دهد.
lvr2plot, mlabel(state)
پس از اجرای این دستور می بینیم که نقاطی مانند ak, fl, ms ,dc که هرکدام نام یک شهر هستند، دارای اهرم بالا با باقیمانده بزرگ هستند. بیایید Cook D را محاسبه کنیم، برای این منظور از کد زیر استفاده می کنیم
predict d1, cooksd
و اگر بخواهیم فاصله کوک را برای چهار شهر ببینیم از دستور زیر استفاده می کنیم.
clist state crime poverty single d1 if d1>4/51, noobs
بعد از اجرای این دستور، متوجه می شویم که شهر DC دارای Cook D بزرگتر از یک است. rreg وزن گم شده ای را به آن اختصاص می دهد بنابراین از تحلیل رگرسیون قوی حذف می شود. اکنون به باقی مانده ها خواهیم پرداخت. ما دوباره از دستور predict استفاده می کنیم، این بار با گزینه rstandard. ما یک متغیر جدید به نام absr1 تولید خواهیم کرد که قدر مطلق باقیمانده های استاندارد شده است (زیرا علامت باقیمانده مهم نیست). دستور gsort برای مرتب سازی داده ها به ترتیب نزولی استفاده می شود.
که به شکل زیر انجام می شود.
predict r1, rstandard
gen absr1 = abs(r1)
gsort -absr1
clist state absr1 in 1/10, noobs
اکنون بیایید رگرسیون قوی خود را اجرا کنیم و از گزینه gen استفاده می کنیم تا Stata وزن های نهایی را در متغیر جدیدی ذخیره کند که وزن را در مجموعه داده می نامیم.
rreg crime poverty single, gen(weight)
با مقایسه رگرسیون OLS و Robust Regression متوجه می شویم که نتایج نسبتا متفاوت هستند.
توجه داشته باشید که تعداد مشاهدات در تحلیل رگرسیون قوی به جای 51 عدد 50 است. این به این دلیل است که مشاهدات برای DC حذف شده است زیرا D Cook's آن بزرگتر از 1 است.
ما همچنین می‌توانیم این رابطه را با ترسیم نمودار نقاط داده با اطلاعات وزن به عنوان اندازه دایره‌ها تجسم کنیم.
twoway (scatter crime single [weight=weight], msymbol(oh)) if state !="dc"
مقدمه:
بیایید بحث خود را در مورد Robust Regression با برخی اصطلاحات در رگرسیون خطی شروع کنیم.
باقیمانده یا Residual: تفاوت بین مقدار پیش بینی شده (براساس معادله رگرسیون) و مقدار واقعی مشاهده شده.
داده های پرت یا Outlier: در رگرسیون خطی، نقطه پرت، مشاهده ای با باقیمانده بزرگ است. به عبارت دیگر، مشاهده ای است که با توجه به مقدار آن روی متغیرهای پیش بینی، مقدار متغیر وابسته آن غیرعادی است. یک نقطه پرت ممکن است یک ویژگی نمونه را نشان دهد یا ممکن است نشان دهنده یک خطای ورود داده یا مشکل دیگیر باشد.
اهرم یا Leverage: مشاهده ای با مقدار شدید روی یک متغیر پیش بینی، نقطه ای با اهرم بالا است. اهرم اندازه گیری میزان انحراف یک متغیر مستقل از میانگین آن است. نقاط اهرمی بالا می تواند تأثیر زیادی بر برآورد ضرایب رگرسیون داشته باشد.
تاثیر یا Influence: اگر حذف مشاهدات برآورد ضرایب رگرسیون را به طور اساسی تغییر دهد، گفته می شود که یک مشاهده تأثیرگذار است. نفوذ را می توان محصول اهرم و بیرونی بودن در نظر گرفت.
فاصله کوک یا Cook’s D: معیاری که اطلاعات اهرم و باقیمانده مشاهده را ترکیب می کند.
رگرسیون قوی یا Robust Regression را می توان در هر موقعیتی که از رگرسیون حداقل مربعات استفاده می کنید استفاده کرد. هنگام برازش رگرسیون حداقل مربعات، ممکن است برخی نقاط پرت یا نقاط داده با اهرم بالا را پیدا کنیم. در رگرسیون قوی ما تصمیم گرفته‌ایم داده های پرت را حذف نکنیم. بنابراین ما هیچ دلیل قانع کننده ای برای حذف آنها از تحلیل نداریم. رگرسیون قوی ممکن است یک استراتژی خوب باشد، زیرا مصالحه ای است بین حذف کامل این نقاط از تجزیه و تحلیل و شامل همه نقاط داده و رفتار یکسان با همه آنها در رگرسیون OLS. ایده رگرسیون قوی این است که مشاهدات را بر اساس رفتار خوب این مشاهدات به طور متفاوت ارزیابی کنیم. به طور کلی، این شکلی از رگرسیون حداقل مربعات وزن‌دار و مجدد است.
برای اطلاع بیشتر از نحوه وزن دهی و انواع روش ها مقاله را در این لینک بخوانید.
برای فراخوانی داده ها از لینک زیر در ناحیه کامند استاتا استفاده کنید.
use https://stats.idre.ucla.edu/stat/stata/dae/crime, clear
در این رگرسیون می خواهیم تاثیر خانوارهای فقر و والدین مجرد را بر روی جرم بررسی کنیم.
تجزیه و تحلیل Robust Regression:
در بیشتر موارد، با اجرای یک رگرسیون OLS و انجام برخی تشخیص ها شروع می کنیم. با اجرای یک رگرسیون OLS شروع خواهیم کرد. lvr2plot برای ایجاد نموداری استفاده می‌شود که اهرم را در مقابل مجذور باقیمانده نشان می‌دهد، و گزینه mlabel برای برچسب‌گذاری نقاط روی نمودار استفاده می‌شود.
regress crime poverty single
این دستور رگرسیون OLS را برآورد می کند، سپس دستور زیر را اجرا می کنیم تا نمودار برازش را به ما نشان دهد.
lvr2plot, mlabel(state)
پس از اجرای این دستور می بینیم که نقاطی مانند ak, fl, ms ,dc که هرکدام نام یک شهر هستند، دارای اهرم بالا با باقیمانده بزرگ هستند. بیایید Cook D را محاسبه کنیم، برای این منظور از کد زیر استفاده می کنیم
predict d1, cooksd
و اگر بخواهیم فاصله کوک را برای چهار شهر ببینیم از دستور زیر استفاده می کنیم.
clist state crime poverty single d1 if d1>4/51, noobs
بعد از اجرای این دستور، متوجه می شویم که شهر DC دارای Cook D بزرگتر از یک است. rreg وزن گم شده ای را به آن اختصاص می دهد بنابراین از تحلیل رگرسیون قوی حذف می شود. اکنون به باقی مانده ها خواهیم پرداخت. ما دوباره از دستور predict استفاده می کنیم، این بار با گزینه rstandard. ما یک متغیر جدید به نام absr1 تولید خواهیم کرد که قدر مطلق باقیمانده های استاندارد شده است (زیرا علامت باقیمانده مهم نیست). دستور gsort برای مرتب سازی داده ها به ترتیب نزولی استفاده می شود.
که به شکل زیر انجام می شود.
predict r1, rstandard
gen absr1 = abs(r1)
gsort -absr1
clist state absr1 in 1/10, noobs
اکنون بیایید رگرسیون قوی خود را اجرا کنیم و از گزینه gen استفاده می کنیم تا Stata وزن های نهایی را در متغیر جدیدی ذخیره کند که وزن را در مجموعه داده می نامیم.
rreg crime poverty single, gen(weight)
با مقایسه رگرسیون OLS و Robust Regression متوجه می شویم که نتایج نسبتا متفاوت هستند.
توجه داشته باشید که تعداد مشاهدات در تحلیل رگرسیون قوی به جای 51 عدد 50 است. این به این دلیل است که مشاهدات برای DC حذف شده است زیرا D Cook's آن بزرگتر از 1 است.
ما همچنین می‌توانیم این رابطه را با ترسیم نمودار نقاط داده با اطلاعات وزن به عنوان اندازه دایره‌ها تجسم کنیم.
twoway (scatter crime single [weight=weight], msymbol(oh)) if state !="dc"
❤6🥰2👍1👏1
INT_007_2023.pdf
119.3 KB
سلام بچه ها
#معرفی موقعیت کارآموزی در UNSSC :
موقعیت کارآموزی به صورت Home-based باز شده و تا 24 ام نوامبر وقت دارید که اپلای کنید.
در این موقعیت کارهای آموزش برای کودکان قراره انجام بشه و از این لحاظ به نظرم خیلی جذابه برای دوستانی که به کارهای توسعه ای علاقه منداند.
در این موقعیت به عنوان کارآموز به مدت 6 ماه کار می کنید و ماهیانه 450 یورو حقوق می گیرید. که درآمد خوبیه برای دوره کارآموزی ریموت.
Education:
Candidates currently enrolled in or having completed a University degree in International Relations, Political Science, Human Rights, Social Science or an area related to UNSSC programmatic priorities.
Language competencies:
Fluency (written and oral) in English.
فایل pdf رو با دقت بخونید و اگه نکته ای بود ازم سوال کنید.
@ecohadi
@ecohadico
#معرفی موقعیت کارآموزی در UNSSC :
موقعیت کارآموزی به صورت Home-based باز شده و تا 24 ام نوامبر وقت دارید که اپلای کنید.
در این موقعیت کارهای آموزش برای کودکان قراره انجام بشه و از این لحاظ به نظرم خیلی جذابه برای دوستانی که به کارهای توسعه ای علاقه منداند.
در این موقعیت به عنوان کارآموز به مدت 6 ماه کار می کنید و ماهیانه 450 یورو حقوق می گیرید. که درآمد خوبیه برای دوره کارآموزی ریموت.
Education:
Candidates currently enrolled in or having completed a University degree in International Relations, Political Science, Human Rights, Social Science or an area related to UNSSC programmatic priorities.
Language competencies:
Fluency (written and oral) in English.
فایل pdf رو با دقت بخونید و اگه نکته ای بود ازم سوال کنید.
@ecohadi
@ecohadico
👍9❤3🔥1🥰1
🔰نحوه انجام رگرسیون خطی ساده(OLS) در Rstudio (گام به گام): ""
فرض کنید یک معادله ساده خطی به شکل زیر داریم
ŷ = b0 + b1x
در این معادله می خواهیم تاثیر متغیر X را بر روی y برآورد کنیم.
برای این کار در محیط R از اینجا شروع می کنیم.
1️⃣قدم اول: آپلود یا فراخوانی دیتا به نرم افزار
برای اینکه بتوانیم یک مثال فرضی با هم حل کنیم یه سری داده در نرم افزار rstudio ایجاد می کنیم. در این مثال x تعداد ساعات مطالعه دانش آموزان، و y نمره دانش آموزان در نظر می گیرم.
نحوه ایجاد دیتافریم در rstudio :
df <- data.frame(hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),
score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))
خب با این کد داده های فرضی را ساختیم، شما می توانید در مثال های واقعی داده های خودتون رو فراخوانی کنید.
2️⃣قدم دوم: مصور سازی داده ها
قبل از اینکه یک مدل رگرسیون خطی ساده را برآورد کنیم، ابتدا باید داده ها را رسم کنیم تا درک درستی از آن به دست آوریم.
ابتدا، میخواهیم مطمئن شویم که رابطه بین ساعت‌ها و نمره دانش آموزان تقریباً خطی است، زیرا این یک فرض اساسی از رگرسیون خطی ساده است. ما می توانیم یک نمودار پراکندگی ساده برای مشاهده رابطه بین دو متغیر به شکل زیر ایجاد کنیم:
scatter.smooth(hours, score, main='Hours studied vs. Exam Score')
با این کد نمودار scatter رسم می شود. در خط بالا Hours studied vs. Exam Score به عنوان لیبل نمودار تعریف شده است.
لطفا این تمرین را انجام دهید تا به مرور توانایی کار با نرم افزار در ذهن تون افزایش پیدا کند.
با ترسیم نمودار متوجه یک رابطه تقریبا خطی بین ساعات مطالعه و نمره دانش آموزان می شویم.
با دستور زیر می توانیم با رسم یک boxplot برای تجسم توزیع نمرات امتحانی ایجاد کنیم و نقاط پرت را بررسی کنیم.
boxplot(score)
3️⃣قدم سوم: نحوه اجرای رگرسیون خطی ساده
هنگامی که تأیید کردیم که رابطه بین متغیرهای ما خطی است و هیچ چیز پرت وجود ندارد، می‌توانیم یک مدل رگرسیون خطی ساده را با استفاده از ساعت به‌عنوان متغیر توضیحی و نمره به‌عنوان متغیر وابسته ادامه دهیم:
model <- lm(score~hours)
با دستور بالا مدل ما اجرا می شود
و با دستور زیر می توانیم خلاصه ای از نتایج را ببینیم
summary(model)
تفسیر مدل خطی ساده را به عنوان تمرین به عهده شما دانشجویان می زارم، اگر در این زمینه سوالی داشتید ازم بپرسید.
@ecohadi
4️⃣قدم چهارم: رسم نمودار باقیمانده یا Residual
بعد از اینکه مدل رگرسیون خطی ساده را با داده ها برازش کردیم، آخرین مرحله ایجاد نمودارهای باقیمانده است.
یکی از مفروضات کلیدی رگرسیون خطی این است که بقایای یک مدل رگرسیون تقریباً به طور نرمال توزیع شده و در هر سطح از متغیر توضیحی همسو باشند. اگر این مفروضات نقض شوند، نتایج مدل رگرسیون ما ممکن است گمراه کننده یا غیرقابل اعتماد باشد.
5️⃣نمودار مقادیر باقیمانده در مقابل برازش:
این نمودار برای تأیید همسانی مفید است. محور x مقادیر برازش و محور y باقیمانده ها را نمایش می دهد. تا زمانی که به نظر می رسد باقیمانده ها به طور تصادفی و به طور مساوی در سراسر نمودار حول مقدار صفر توزیع شده اند، می توانیم فرض کنیم که همسویی نقض نشده است:
برای تعریف باقیمانده از کد زیر استفاده می کنیم
res <- resid(model)
در کد زیر هم نمودار پراکندگی رسم می شود
plot(fitted(model), res)
برای اضافه کردن خط افقی در نمودار از کد زیر استفاده می کنیم
abline(0,0)
6️⃣مرحله پایانی: رسم نمودار Q-Q
این نمودار برای تعیین اینکه آیا باقیمانده ها از توزیع نرمال پیروی می کنند مفید است. اگر مقادیر داده در نمودار در امتداد یک خط تقریباً مستقیم با زاویه 45 درجه قرار گیرند، آنگاه داده ها به طور معمول توزیع می شوند:
qqnorm(res)
برای اضافه کردن خط 45 درجه از کد زیر استفاده می کنیم
qqline(res)
♦️تمرین: ازتون یه خواهش دارم، اینکه این مثال رو لطفا حل کنید و هرجا سوالی داشتین ازم بپرسید.
امیدوارم چیزی از قلم نیوفتاده باشه، موردی بود بهم بگید.
منبع: statology
#R_programing #Rstudio #ols
فرض کنید یک معادله ساده خطی به شکل زیر داریم
ŷ = b0 + b1x
در این معادله می خواهیم تاثیر متغیر X را بر روی y برآورد کنیم.
برای این کار در محیط R از اینجا شروع می کنیم.
1️⃣قدم اول: آپلود یا فراخوانی دیتا به نرم افزار
برای اینکه بتوانیم یک مثال فرضی با هم حل کنیم یه سری داده در نرم افزار rstudio ایجاد می کنیم. در این مثال x تعداد ساعات مطالعه دانش آموزان، و y نمره دانش آموزان در نظر می گیرم.
نحوه ایجاد دیتافریم در rstudio :
df <- data.frame(hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),
score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))
خب با این کد داده های فرضی را ساختیم، شما می توانید در مثال های واقعی داده های خودتون رو فراخوانی کنید.
2️⃣قدم دوم: مصور سازی داده ها
قبل از اینکه یک مدل رگرسیون خطی ساده را برآورد کنیم، ابتدا باید داده ها را رسم کنیم تا درک درستی از آن به دست آوریم.
ابتدا، میخواهیم مطمئن شویم که رابطه بین ساعت‌ها و نمره دانش آموزان تقریباً خطی است، زیرا این یک فرض اساسی از رگرسیون خطی ساده است. ما می توانیم یک نمودار پراکندگی ساده برای مشاهده رابطه بین دو متغیر به شکل زیر ایجاد کنیم:
scatter.smooth(hours, score, main='Hours studied vs. Exam Score')
با این کد نمودار scatter رسم می شود. در خط بالا Hours studied vs. Exam Score به عنوان لیبل نمودار تعریف شده است.
لطفا این تمرین را انجام دهید تا به مرور توانایی کار با نرم افزار در ذهن تون افزایش پیدا کند.
با ترسیم نمودار متوجه یک رابطه تقریبا خطی بین ساعات مطالعه و نمره دانش آموزان می شویم.
با دستور زیر می توانیم با رسم یک boxplot برای تجسم توزیع نمرات امتحانی ایجاد کنیم و نقاط پرت را بررسی کنیم.
boxplot(score)
3️⃣قدم سوم: نحوه اجرای رگرسیون خطی ساده
هنگامی که تأیید کردیم که رابطه بین متغیرهای ما خطی است و هیچ چیز پرت وجود ندارد، می‌توانیم یک مدل رگرسیون خطی ساده را با استفاده از ساعت به‌عنوان متغیر توضیحی و نمره به‌عنوان متغیر وابسته ادامه دهیم:
model <- lm(score~hours)
با دستور بالا مدل ما اجرا می شود
و با دستور زیر می توانیم خلاصه ای از نتایج را ببینیم
summary(model)
تفسیر مدل خطی ساده را به عنوان تمرین به عهده شما دانشجویان می زارم، اگر در این زمینه سوالی داشتید ازم بپرسید.
@ecohadi
4️⃣قدم چهارم: رسم نمودار باقیمانده یا Residual
بعد از اینکه مدل رگرسیون خطی ساده را با داده ها برازش کردیم، آخرین مرحله ایجاد نمودارهای باقیمانده است.
یکی از مفروضات کلیدی رگرسیون خطی این است که بقایای یک مدل رگرسیون تقریباً به طور نرمال توزیع شده و در هر سطح از متغیر توضیحی همسو باشند. اگر این مفروضات نقض شوند، نتایج مدل رگرسیون ما ممکن است گمراه کننده یا غیرقابل اعتماد باشد.
5️⃣نمودار مقادیر باقیمانده در مقابل برازش:
این نمودار برای تأیید همسانی مفید است. محور x مقادیر برازش و محور y باقیمانده ها را نمایش می دهد. تا زمانی که به نظر می رسد باقیمانده ها به طور تصادفی و به طور مساوی در سراسر نمودار حول مقدار صفر توزیع شده اند، می توانیم فرض کنیم که همسویی نقض نشده است:
برای تعریف باقیمانده از کد زیر استفاده می کنیم
res <- resid(model)
در کد زیر هم نمودار پراکندگی رسم می شود
plot(fitted(model), res)
برای اضافه کردن خط افقی در نمودار از کد زیر استفاده می کنیم
abline(0,0)
6️⃣مرحله پایانی: رسم نمودار Q-Q
این نمودار برای تعیین اینکه آیا باقیمانده ها از توزیع نرمال پیروی می کنند مفید است. اگر مقادیر داده در نمودار در امتداد یک خط تقریباً مستقیم با زاویه 45 درجه قرار گیرند، آنگاه داده ها به طور معمول توزیع می شوند:
qqnorm(res)
برای اضافه کردن خط 45 درجه از کد زیر استفاده می کنیم
qqline(res)
♦️تمرین: ازتون یه خواهش دارم، اینکه این مثال رو لطفا حل کنید و هرجا سوالی داشتین ازم بپرسید.
امیدوارم چیزی از قلم نیوفتاده باشه، موردی بود بهم بگید.
منبع: statology
#R_programing #Rstudio #ols
👍7❤3👏3🥰1
معرفی دوره Database Administrator/Faculty Researcher(predoctoral) :
دوستانی که قصد ادامه تحصیل در مقطع دکتری در دانشگاه های خوب دنیا دارند، دوره های پیش دکتری گزینه خوبی برای تقویت مهارت های ریسرج و دستیابی به شبکه دانش در دانشگاه های خوب دنیا است.
این دوره ها مانند یک شغل تمام وقت هستند که دانشجو بعد از پذیرش حقوق دریافت می کند و به طور میانگین در سال حدود 45000$ درآمد کسب می کنند.
Job Description Summary
The Rodney L. White Center for Financial Research at the Wharton School is seeking a pre-doctoral Research Associate to support research on household finance, corporate finance and public economics for a period of up to two years. The Research Associate will work closely with Finance Department Professors Sylvain Catherine and Lu Liu.
REQUIRED QUALIFICATIONS
BA/BS and 1-2 years of experience or equivalent combination of education and experience.
Proficiency in at least one major statistical software such as Stata, R, Python
Coursework in either statistics, data analysis, or econometrics
A passionate mindset about economic research and quantitative data analysis, anticipating applying for an economics or finance PhD
APPLICATION DEADLINE:
Applications will be reviewed on a rolling basis until the position is filled, although priority will be given to applications received before December 1, 2023.
توضیحات کامل را در لینک زیر بخوانید.
https://wd1.myworkdaysite.com/en-US/recruiting/upenn/careers-at-penn/details/Database-Administrator-Faculty-Researcher--Pre-doc-_JR00081923
دوستانی که قصد ادامه تحصیل در مقطع دکتری در دانشگاه های خوب دنیا دارند، دوره های پیش دکتری گزینه خوبی برای تقویت مهارت های ریسرج و دستیابی به شبکه دانش در دانشگاه های خوب دنیا است.
این دوره ها مانند یک شغل تمام وقت هستند که دانشجو بعد از پذیرش حقوق دریافت می کند و به طور میانگین در سال حدود 45000$ درآمد کسب می کنند.
Job Description Summary
The Rodney L. White Center for Financial Research at the Wharton School is seeking a pre-doctoral Research Associate to support research on household finance, corporate finance and public economics for a period of up to two years. The Research Associate will work closely with Finance Department Professors Sylvain Catherine and Lu Liu.
REQUIRED QUALIFICATIONS
BA/BS and 1-2 years of experience or equivalent combination of education and experience.
Proficiency in at least one major statistical software such as Stata, R, Python
Coursework in either statistics, data analysis, or econometrics
A passionate mindset about economic research and quantitative data analysis, anticipating applying for an economics or finance PhD
APPLICATION DEADLINE:
Applications will be reviewed on a rolling basis until the position is filled, although priority will be given to applications received before December 1, 2023.
توضیحات کامل را در لینک زیر بخوانید.
https://wd1.myworkdaysite.com/en-US/recruiting/upenn/careers-at-penn/details/Database-Administrator-Faculty-Researcher--Pre-doc-_JR00081923
❤6👍6🥰1
🔰نحوه انجام رگرسیون Logistic یا لاجیت در STATA :
رگرسیون لجستیک روشی است که برای برازش مدل رگرسیون زمانی که متغیر وابسته باینری یا (0و1) است از آن استفاده می کنیم. در اینجا چند نمونه از رگرسیون لجستیک آورده شده است:
ما می خواهیم بدانیم ورزش، رژیم غذایی و وزن چگونه بر احتمال حمله قلبی تاثیر می گذارد. متغیر پاسخ حمله قلبی است و دو نتیجه بالقوه دارد: حمله قلبی رخ می دهد یا رخ نمی دهد.
ما می خواهیم بدانیم که معدل، نمره تافل و GRE چگونه بر احتمال پذیرش در یک دانشگاه خاص تأثیر می گذارد. متغیر پاسخ، پذیرش است و دو نتیجه بالقوه دارد: پذیرفته یا پذیرفته نشده.
ما می خواهیم بدانیم که آیا تعداد کلمات و عنوان ایمیل بر احتمال اسپم بودن یک ایمیل تأثیر می گذارد یا خیر. متغیر پاسخ هرزنامه است و دو نتیجه بالقوه دارد: هرزنامه یا عدم هرزنامه.
فرض کنید ما علاقه مند به درک این موضوع هستیم که آیا سن مادر و عادات سیگار کشیدن او بر احتمال تولد نوزاد با وزن کم هنگام تولد تأثیر می گذارد یا خیر.
برای بررسی این موضوع، می‌توانیم رگرسیون لجستیک را با استفاده از سن و سیگار (یا بله یا خیر) به عنوان متغیرهای توضیحی و وزن کم هنگام تولد (یا بله یا خیر) به عنوان متغیر پاسخ انجام دهیم. از آنجایی که متغیر پاسخ دودویی است - تنها دو نتیجه ممکن وجود دارد - استفاده از رگرسیون لجستیک مناسب است.
مراحل زیر را در Stata انجام دهید تا یک رگرسیون لجستیک را با استفاده از مجموعه داده ای به نام lbw انجام دهید که شامل داده های 189 مادر مختلف است.
1️⃣قدم اول: فراخوانی دیتا
از کد زیر داده ها را از مخزن استتا فراخوانی می کنیم
use http://www.stata-press.com/data/r13/lbw
2️⃣قدم دوم: خلاصه از داده ها را ببینیم
با تایپ کردن موارد زیر در کادر فرمان، درک سریعی از داده هایی که با آنها کار می کنید به دست آورید:
summarize
در مجموعه داده فوق 11 متغیر وجود دارد که ما به سه تای آنها اهمیت می دهیم.
Low, Age, Smoke
3️⃣قدم سوم: اجرای رگرسیون Logistic :
برای انجام رگرسیون لجستیک با استفاده از Age, Smoke به عنوان متغیرهای توضیحی و Low به عنوان متغیر پاسخ، موارد زیر را در کادر فرمان تایپ کنید.
logit low age smoke
4️⃣تفسیر مدل:
پس از اجرای مدل در صورتی که نیاز به تفسیر مدل دارید با من در ارتباط باشید.
@ecohadi
#استاتا #اقتصادسنجی #stata #economics #econometrics
https://t.me/ecohadico
رگرسیون لجستیک روشی است که برای برازش مدل رگرسیون زمانی که متغیر وابسته باینری یا (0و1) است از آن استفاده می کنیم. در اینجا چند نمونه از رگرسیون لجستیک آورده شده است:
ما می خواهیم بدانیم ورزش، رژیم غذایی و وزن چگونه بر احتمال حمله قلبی تاثیر می گذارد. متغیر پاسخ حمله قلبی است و دو نتیجه بالقوه دارد: حمله قلبی رخ می دهد یا رخ نمی دهد.
ما می خواهیم بدانیم که معدل، نمره تافل و GRE چگونه بر احتمال پذیرش در یک دانشگاه خاص تأثیر می گذارد. متغیر پاسخ، پذیرش است و دو نتیجه بالقوه دارد: پذیرفته یا پذیرفته نشده.
ما می خواهیم بدانیم که آیا تعداد کلمات و عنوان ایمیل بر احتمال اسپم بودن یک ایمیل تأثیر می گذارد یا خیر. متغیر پاسخ هرزنامه است و دو نتیجه بالقوه دارد: هرزنامه یا عدم هرزنامه.
فرض کنید ما علاقه مند به درک این موضوع هستیم که آیا سن مادر و عادات سیگار کشیدن او بر احتمال تولد نوزاد با وزن کم هنگام تولد تأثیر می گذارد یا خیر.
برای بررسی این موضوع، می‌توانیم رگرسیون لجستیک را با استفاده از سن و سیگار (یا بله یا خیر) به عنوان متغیرهای توضیحی و وزن کم هنگام تولد (یا بله یا خیر) به عنوان متغیر پاسخ انجام دهیم. از آنجایی که متغیر پاسخ دودویی است - تنها دو نتیجه ممکن وجود دارد - استفاده از رگرسیون لجستیک مناسب است.
مراحل زیر را در Stata انجام دهید تا یک رگرسیون لجستیک را با استفاده از مجموعه داده ای به نام lbw انجام دهید که شامل داده های 189 مادر مختلف است.
1️⃣قدم اول: فراخوانی دیتا
از کد زیر داده ها را از مخزن استتا فراخوانی می کنیم
use http://www.stata-press.com/data/r13/lbw
2️⃣قدم دوم: خلاصه از داده ها را ببینیم
با تایپ کردن موارد زیر در کادر فرمان، درک سریعی از داده هایی که با آنها کار می کنید به دست آورید:
summarize
در مجموعه داده فوق 11 متغیر وجود دارد که ما به سه تای آنها اهمیت می دهیم.
Low, Age, Smoke
3️⃣قدم سوم: اجرای رگرسیون Logistic :
برای انجام رگرسیون لجستیک با استفاده از Age, Smoke به عنوان متغیرهای توضیحی و Low به عنوان متغیر پاسخ، موارد زیر را در کادر فرمان تایپ کنید.
logit low age smoke
4️⃣تفسیر مدل:
پس از اجرای مدل در صورتی که نیاز به تفسیر مدل دارید با من در ارتباط باشید.
@ecohadi
#استاتا #اقتصادسنجی #stata #economics #econometrics
https://t.me/ecohadico
👍4❤3🥰1
🔆معرفی دوره کارآموزی در Asian Infrastructure Investment Bank (AIIB) :
دوه کارآموزی برای دانشجویان تحصیلات تکمیلی در پکن چین برای ماه June در سال 2024 باز شده، برای دوستانی که علاقه مند در زمینه بانک در سطح بین المللی هستند، موقعیت بسیار جذاب با حقوق روزانه 80 دلار آمریکا است.
Acceptance of Applications: December 2023 to February 2024
Application Deadline: Mid February 2024
Selection Process: End-February to March
Offer to Successful Candidates: March
Program Start / Onboarding: June 2024
برای جزئیات بیشتر اینجا کلیک کنید.
#موقعیت_کارآموزی #ecohadi
#economics #اقتصاد
@ecohadico
دوه کارآموزی برای دانشجویان تحصیلات تکمیلی در پکن چین برای ماه June در سال 2024 باز شده، برای دوستانی که علاقه مند در زمینه بانک در سطح بین المللی هستند، موقعیت بسیار جذاب با حقوق روزانه 80 دلار آمریکا است.
Acceptance of Applications: December 2023 to February 2024
Application Deadline: Mid February 2024
Selection Process: End-February to March
Offer to Successful Candidates: March
Program Start / Onboarding: June 2024
برای جزئیات بیشتر اینجا کلیک کنید.
#موقعیت_کارآموزی #ecohadi
#economics #اقتصاد
@ecohadico
👍4🔥2❤1🥰1
سلام به همگی
آیا موافقید موقعیت های دکتری رو اینجا به اشتراک بزارم یا خیر؟
آیا موافقید موقعیت های دکتری رو اینجا به اشتراک بزارم یا خیر؟
Anonymous Poll
87%
موافق هستم
14%
موافق نیستم
👍5❤1👏1
🔰نحوه انجام رگرسیون لجستیک چند جمله ای (Multinomial logistic regression)
در این پست با مثال هایی از مفهوم رگرسیون با متغیر وابسته categorical شروع می کنیم
مثال یک: تحلیلگران بازار می خواهند تعیین کنند که کدام متغیرها بر تصمیم خرید پاپ کورن بزرگ، متوسط یا کوچک در سینما تأثیر می گذارند.
مثال دو: انتخاب های شغلی افراد ممکن است تحت تأثیر مشاغل والدین و سطح تحصیلات آنها باشد. می‌توان رابطه انتخاب شغل با سطح تحصیلات و شغل پدر را مطالعه کرد. انتخاب های شغلی متغیر نتیجه خواهد بود که از دسته های مشاغل تشکیل شده است.
مثال سه: دانش آموزانی که وارد دبیرستان می شوند، برنامه را از بین برنامه عمومی، برنامه حرفه ای و برنامه تحصیلی انتخاب می کنند. انتخاب آنها ممکن است با استفاده از نمره نوشتاری و وضعیت اقتصادی اجتماعی آنها مدل شود.
🔆حالا که با مفهوم این نوع مدل ها آشنا شدیم، میخواهیم نحوه پیاده سازی آن در نرم افزار RStudio را با هم یاد بگیریم.
ابتدا کتابخانه های مورد نیاز را به شکل زیر فراخوانی می کنیم.
نکته: اگر این کتابخانه ها از قبل در RStudio نصب ندارید، از طریق ابتدا آنها را نصب کنید.
نکته: برای نصب کتابخانه ها در RStudio حتما باید سیستم شما به اینترنت متصل باشد.
💻شرح داده ها:
برای مثال تجزیه و تحلیل داده ها، مثال سوم را با استفاده از مجموعه داده hsbdemo ادامه می دهیم.
بیایید ابتدا داده ها را فراخوانی کنیم.
مجموعه داده شامل متغیرهایی برای 200 دانش آموز است. متغیر نتیجه prog، نوع برنامه است. متغیرهای پیش بینی کننده وضعیت اقتصادی اجتماعی، ses یک متغیر طبقه بندی سه سطحی و نمره نوشتن، نوشتن، یک متغیر پیوسته هستند. بیایید با گرفتن چند آمار توصیفی از متغیرهای مورد علاقه شروع کنیم.
دو خط کد بالا را در RStudio اجرا کنید و نتیجه را ببینید.
?!
***************************
در زیر از تابع multinom از بسته nnet برای تخمین مدل رگرسیون لجستیک چند جمله ای استفاده می کنیم. توابع دیگری در سایر بسته های R وجود دارد که قادر به رگرسیون چند جمله ای هستند. ما تابع multinom را انتخاب کردیم زیرا نیازی به تغییر شکل داده ها (همانطور که بسته mlogit انجام می دهد) و بازتاب کد نمونه موجود در مدل های رگرسیون لجستیک Hilbe نیست.
ابتدا باید سطح نتیجه خود را که میخواهیم به‌عنوان خط مبنا استفاده کنیم انتخاب کنیم و آن را در تابع سطح مشخص کنیم. سپس، مدل خود را با استفاده از multinom اجرا می کنیم. بسته چندجمله‌ای شامل محاسبه p-value برای ضرایب رگرسیون نمی‌شود، بنابراین ما مقادیر p را با استفاده از آزمون‌های Wald محاسبه می‌کنیم (در اینجا آزمون z).
پس از اجرای کدهای بالا نتیجه را ببینید.
و سپس با دستور زیر نتایج مدل را مشاهده کنید
همچنین می توانیم نتایج آزمون Z را هم ببینیم
در مدل فوق ما academic را به عنوان سطح در نظر گرفتیم و حالت های general و vocation را نسبت به حالت academic بررسی کرده ایم.
تمرین: کدهای نوشته شده در این پست را در نرم افزار RStudio اجرا کنید و هرجا که به مشکلی خوردید، دوباره امتحان کنید و در صورت ابهام با من در تماس باشید.
@ecohadi
دوستانی که تفسیر مدل را در نمونه های با داده های واقعی لازم دارند با من در تماس باشید.
#econometrics #economics #اقتصادسنجی #R_programing #Rstudio #Multinomial_logistic_regression
❤️❤️
https://t.me/ecohadico
در این پست با مثال هایی از مفهوم رگرسیون با متغیر وابسته categorical شروع می کنیم
مثال یک: تحلیلگران بازار می خواهند تعیین کنند که کدام متغیرها بر تصمیم خرید پاپ کورن بزرگ، متوسط یا کوچک در سینما تأثیر می گذارند.
مثال دو: انتخاب های شغلی افراد ممکن است تحت تأثیر مشاغل والدین و سطح تحصیلات آنها باشد. می‌توان رابطه انتخاب شغل با سطح تحصیلات و شغل پدر را مطالعه کرد. انتخاب های شغلی متغیر نتیجه خواهد بود که از دسته های مشاغل تشکیل شده است.
مثال سه: دانش آموزانی که وارد دبیرستان می شوند، برنامه را از بین برنامه عمومی، برنامه حرفه ای و برنامه تحصیلی انتخاب می کنند. انتخاب آنها ممکن است با استفاده از نمره نوشتاری و وضعیت اقتصادی اجتماعی آنها مدل شود.
🔆حالا که با مفهوم این نوع مدل ها آشنا شدیم، میخواهیم نحوه پیاده سازی آن در نرم افزار RStudio را با هم یاد بگیریم.
ابتدا کتابخانه های مورد نیاز را به شکل زیر فراخوانی می کنیم.
library(foreign)
library(nnet)
library(ggplot2)
library(reshape2)
نکته: اگر این کتابخانه ها از قبل در RStudio نصب ندارید، از طریق ابتدا آنها را نصب کنید.
install.pakages("foreign")
install.pakages("nnet")
install.pakages("ggplot2")
install.pakages("reshape2")نکته: برای نصب کتابخانه ها در RStudio حتما باید سیستم شما به اینترنت متصل باشد.
💻شرح داده ها:
برای مثال تجزیه و تحلیل داده ها، مثال سوم را با استفاده از مجموعه داده hsbdemo ادامه می دهیم.
بیایید ابتدا داده ها را فراخوانی کنیم.
ml <- read.dta("https://stats.idre.ucla.edu/stat/data/hsbdemo.dta")مجموعه داده شامل متغیرهایی برای 200 دانش آموز است. متغیر نتیجه prog، نوع برنامه است. متغیرهای پیش بینی کننده وضعیت اقتصادی اجتماعی، ses یک متغیر طبقه بندی سه سطحی و نمره نوشتن، نوشتن، یک متغیر پیوسته هستند. بیایید با گرفتن چند آمار توصیفی از متغیرهای مورد علاقه شروع کنیم.
with(ml, table(ses, prog))
with(ml, do.call(rbind, tapply(write, prog, function(x) c(M = mean(x), SD = sd(x)))))
دو خط کد بالا را در RStudio اجرا کنید و نتیجه را ببینید.
?!
***************************
در زیر از تابع multinom از بسته nnet برای تخمین مدل رگرسیون لجستیک چند جمله ای استفاده می کنیم. توابع دیگری در سایر بسته های R وجود دارد که قادر به رگرسیون چند جمله ای هستند. ما تابع multinom را انتخاب کردیم زیرا نیازی به تغییر شکل داده ها (همانطور که بسته mlogit انجام می دهد) و بازتاب کد نمونه موجود در مدل های رگرسیون لجستیک Hilbe نیست.
ابتدا باید سطح نتیجه خود را که میخواهیم به‌عنوان خط مبنا استفاده کنیم انتخاب کنیم و آن را در تابع سطح مشخص کنیم. سپس، مدل خود را با استفاده از multinom اجرا می کنیم. بسته چندجمله‌ای شامل محاسبه p-value برای ضرایب رگرسیون نمی‌شود، بنابراین ما مقادیر p را با استفاده از آزمون‌های Wald محاسبه می‌کنیم (در اینجا آزمون z).
ml$prog2 <- relevel(ml$prog, ref = "academic")
test <- multinom(prog2 ~ ses + write, data = ml)
پس از اجرای کدهای بالا نتیجه را ببینید.
و سپس با دستور زیر نتایج مدل را مشاهده کنید
summary(test)
همچنین می توانیم نتایج آزمون Z را هم ببینیم
z <- summary(test)$coefficients/summary(test)$standard.errors
zدر مدل فوق ما academic را به عنوان سطح در نظر گرفتیم و حالت های general و vocation را نسبت به حالت academic بررسی کرده ایم.
تمرین: کدهای نوشته شده در این پست را در نرم افزار RStudio اجرا کنید و هرجا که به مشکلی خوردید، دوباره امتحان کنید و در صورت ابهام با من در تماس باشید.
@ecohadi
دوستانی که تفسیر مدل را در نمونه های با داده های واقعی لازم دارند با من در تماس باشید.
#econometrics #economics #اقتصادسنجی #R_programing #Rstudio #Multinomial_logistic_regression
❤️❤️
https://t.me/ecohadico
❤7👍4👏1
Ecohadi.com(اقتصادسنجی)
موقعیت کارآموزی در کمیساریای عالی پناهندگان سازمان ملل (UNHCR) این موقعیت کارآموزی در دانمارک با طول دوره ۶ ماهه است دانشجویانی که به تازگی فارغ التحصیل شده اند و یا دوستانی که بیش از دوسال از فارغ التحصیلی آنها نگذشته باشد، مجازند برای این دوره اپلای کنند.…
سلام به همگی
یکی از بچه های اینجا تونسته به مرحله short list در موقعیت کارآموزی سازمان ملل در دانمارک برسه
گفتم باهاتون به اشتراک بزارم که با انگیزه بیشتری اپلیکیشن ها رو پر کنید
با آرزوی موفقیت برای شما
😍😍
@ecohadico
یکی از بچه های اینجا تونسته به مرحله short list در موقعیت کارآموزی سازمان ملل در دانمارک برسه
گفتم باهاتون به اشتراک بزارم که با انگیزه بیشتری اپلیکیشن ها رو پر کنید
با آرزوی موفقیت برای شما
😍😍
@ecohadico
❤16👏9
اگه دنبال استخدام در سازمان ملل به ویژه در آژانس UNODC هستید!
یک وبینار رایگان به زبان انگلیسی در 7 دسامبر در مورد فیلدهای کاری و پروسه استخدام با نرم افزار Teams در دو بازه زمانی 9:00 یا 15:00 به وقت Vienna برگزار می شود.
از طریق لینک زیر می توانید ثبت نام کنید.
https://forms.office.com/pages/responsepage.aspx?id=2zWeD09UYE-9zF6kFubccMhMwFNJrrlNgoTX3W1OUVtUOENBNk5ESUJKVVU0WlZNSU9HSDdMUDNWNi4u
برای ثبت نام فیلتر.شکن نیاز است.
🔆 اگر براتون مفید بود به دوستانتون هم معرفی کنید.
@ecohadico
@ecohadico
یک وبینار رایگان به زبان انگلیسی در 7 دسامبر در مورد فیلدهای کاری و پروسه استخدام با نرم افزار Teams در دو بازه زمانی 9:00 یا 15:00 به وقت Vienna برگزار می شود.
از طریق لینک زیر می توانید ثبت نام کنید.
https://forms.office.com/pages/responsepage.aspx?id=2zWeD09UYE-9zF6kFubccMhMwFNJrrlNgoTX3W1OUVtUOENBNk5ESUJKVVU0WlZNSU9HSDdMUDNWNi4u
برای ثبت نام فیلتر.شکن نیاز است.
🔆 اگر براتون مفید بود به دوستانتون هم معرفی کنید.
@ecohadico
@ecohadico
👍8❤4👏3🥰2
Ecohadi.com(اقتصادسنجی)
سلام به همگی
آیا موافقید موقعیت های دکتری رو اینجا به اشتراک بزارم یا خیر؟
آیا موافقید موقعیت های دکتری رو اینجا به اشتراک بزارم یا خیر؟
سلام به همه همراهان گرامی
با توجه به نتایج نظر سنجی، تصمیم بر این شد که موقعیت دکتری و پیش دکتری رو اینجا به اشتراک بزارم.
امیدوارم که ازش استفاده لازم رو ببرید.
#معرفی
🔆دوره پیش دکتری در Duke University's Fuqua School of Business
موقعیت باز شده با عنوان
Research Associate position at Duke University's Fuqua School of Business, Finance Area
در زمینه فاینانس است و یه دوره پژوهشی حداقل یک ساله با اساتید متنوع
استفاده از نرم افزارهایی مانند Stata, MATLAB, R, Python در این موقعیت رایج است.
جزئیات را در فایل زیر ببینید.
https://drive.google.com/file/d/1ywivTwgw5QjAENusOGxeRdWnpV2UHVWS/view
#pre-doc #phd #researchassistant
https://t.me/ecohadico
با توجه به نتایج نظر سنجی، تصمیم بر این شد که موقعیت دکتری و پیش دکتری رو اینجا به اشتراک بزارم.
امیدوارم که ازش استفاده لازم رو ببرید.
#معرفی
🔆دوره پیش دکتری در Duke University's Fuqua School of Business
موقعیت باز شده با عنوان
Research Associate position at Duke University's Fuqua School of Business, Finance Area
در زمینه فاینانس است و یه دوره پژوهشی حداقل یک ساله با اساتید متنوع
استفاده از نرم افزارهایی مانند Stata, MATLAB, R, Python در این موقعیت رایج است.
جزئیات را در فایل زیر ببینید.
https://drive.google.com/file/d/1ywivTwgw5QjAENusOGxeRdWnpV2UHVWS/view
#pre-doc #phd #researchassistant
https://t.me/ecohadico
👏8❤4👍4
🔰تجزیه و تحلیل داده های پانل در استتا(STATA): اثرات ثابت و اثرات تصادفی
داده های پانل یا تابلویی به مجموعه ای از داده ها گفته می شود که برای یک کشور یا یک شرکت در چند نقطه از زمان مشاهده می شوند.
🔆مثال: بررسی داده های 3 شرکت بورسی در 3سال گذشته، مجموعه داده زیر را می توانید در دیتاست زیر ببینید.
country year y x1 x2 x3
A 2018 13 6 0.5 26
A 2019 17 4 0.3 15
A 2020 12 7 0.9 18
B 2018 16 5 0.4 16
B 2019 11 3 0.5 19
B 2020 14 4 0.7 21
C 2018 11 8 0.8 14
C 2019 18 2 0.6 17
C 2020 10 5 0.2 21
برای اینکه بتوانیم تحلیل های بیشتری ارائه بدیم با یک مثال واقعی تر کار می کنیم:
کد زیر را در قسمت Stata Command کپی کنید و Enter را بزنید تا داده ها در استاتا فراخوانی شوند.
use https://dss.princeton.edu/training/Panel101_new.dta
♦️نکته: داده های پانل را باید به استاتا معرفی کنیم، برای اینکار کد زیر را در قسمت Stata Command کپی کنید و Enter را بزنید.
♦️نکته: بعد از اجرای دستور xtset ممکن است داده های شما balanced یا unbalanced باشند، حالت ایده آل این است که داده ها متعادل باشند یعنی در مجموعه داده برای همه سال ها و همه کشورها داده موجود باشد، اگر غیر این باشد نیز می توان مدل را اجرا کرد.
♦️نکته: ممکنه است بعد از اجرای دستور xtset با چنین خطایی مواجه شوید
برای رفع این خطا متغیر رشته ای را با دستور زیر به متغیر عددی تبدیل کنید
✅اثرات ثابت: Fixed Effect
هنگام استفاده از FE، فرض می‌کنیم که ویژگی‌های یک فرد ممکن است بر متغیرهای پیش‌بینی‌کننده یا نتیجه تأثیر بگذارد یا سوگیری کند، و ما باید این را کنترل کنیم. این منطق پشت فرض همبستگی بین عبارت خطای واحد تجاری و متغیرهای پیش بینی است. FE اثر آن ویژگی‌های ثابت زمان را حذف می‌کند، و بنابراین، می‌توانیم اثر خالص پیش‌بینی‌کننده‌ها را بر روی متغیر نتیجه ارزیابی کنیم.
✅تخمین مدل پانل با اثرات ثابت:
♦️نکته: مدل پانل با اثرات ثابت برای متغیر وابسته با وقفه کار نمی کند.
✅تخمین مدل با اثرات تصادفی: Random Effect
🔆سوال اصلی برای ما بچه های اقتصاد این است که بالاخره اثرات ثابت یا اثرات تصادفی؟
برای این کار از آزمون هاسمن(Hausman Test) به شکل زیر استفاده می کنیم.
اول مدل با اثرات ثابت را اجرا می کنیم، سپس برآوردها را در سیستم استاتا ذخیره می کنیم، بعد مدل با اثرات تصادفی را اجرا می کنیم و نتایج را در استاتا ذخیره می کنیم و در نهایت آزمون هاسمن را اجرا می کنیم.
🔆قاعده تصمیم گیری:
اگر P Value<0.05 باشد از مدل با اثرات ثابت استفاده می کنیم، در غیر این صورت از مدل با اثرات تصادفی استفاده می کنیم.
💻تمرین: کدهای بالا را در stata اجرا کنید و نتیجه را یک بار برحسب توضیحات برای خودتون تحلیل کنید.
#stata #استاتا #اقتصادسنجی #econometrics #paneldata #دادهـهایـپانل
https://t.me/ecohadico
داده های پانل یا تابلویی به مجموعه ای از داده ها گفته می شود که برای یک کشور یا یک شرکت در چند نقطه از زمان مشاهده می شوند.
🔆مثال: بررسی داده های 3 شرکت بورسی در 3سال گذشته، مجموعه داده زیر را می توانید در دیتاست زیر ببینید.
country year y x1 x2 x3
A 2018 13 6 0.5 26
A 2019 17 4 0.3 15
A 2020 12 7 0.9 18
B 2018 16 5 0.4 16
B 2019 11 3 0.5 19
B 2020 14 4 0.7 21
C 2018 11 8 0.8 14
C 2019 18 2 0.6 17
C 2020 10 5 0.2 21
برای اینکه بتوانیم تحلیل های بیشتری ارائه بدیم با یک مثال واقعی تر کار می کنیم:
کد زیر را در قسمت Stata Command کپی کنید و Enter را بزنید تا داده ها در استاتا فراخوانی شوند.
use https://dss.princeton.edu/training/Panel101_new.dta
♦️نکته: داده های پانل را باید به استاتا معرفی کنیم، برای اینکار کد زیر را در قسمت Stata Command کپی کنید و Enter را بزنید.
xtset country year
♦️نکته: بعد از اجرای دستور xtset ممکن است داده های شما balanced یا unbalanced باشند، حالت ایده آل این است که داده ها متعادل باشند یعنی در مجموعه داده برای همه سال ها و همه کشورها داده موجود باشد، اگر غیر این باشد نیز می توان مدل را اجرا کرد.
♦️نکته: ممکنه است بعد از اجرای دستور xtset با چنین خطایی مواجه شوید
string variables not allowed in varlist;
country is a string variable
برای رفع این خطا متغیر رشته ای را با دستور زیر به متغیر عددی تبدیل کنید
encode country, gen(country1)
✅اثرات ثابت: Fixed Effect
هنگام استفاده از FE، فرض می‌کنیم که ویژگی‌های یک فرد ممکن است بر متغیرهای پیش‌بینی‌کننده یا نتیجه تأثیر بگذارد یا سوگیری کند، و ما باید این را کنترل کنیم. این منطق پشت فرض همبستگی بین عبارت خطای واحد تجاری و متغیرهای پیش بینی است. FE اثر آن ویژگی‌های ثابت زمان را حذف می‌کند، و بنابراین، می‌توانیم اثر خالص پیش‌بینی‌کننده‌ها را بر روی متغیر نتیجه ارزیابی کنیم.
✅تخمین مدل پانل با اثرات ثابت:
xtreg y x1 x2, fe
دستور بالا را در قسمت Stata Command کپی یا تایپ کنید و Enter را بزنید. مدل ما برآورد می شود.
♦️نکته: مدل پانل با اثرات ثابت برای متغیر وابسته با وقفه کار نمی کند.
✅تخمین مدل با اثرات تصادفی: Random Effect
xtreg y x1 x2, re
دستور بالا را در قسمت Stata Command کپی یا تایپ کنید و Enter را بزنید. مدل ما برآورد می شود.
🔆سوال اصلی برای ما بچه های اقتصاد این است که بالاخره اثرات ثابت یا اثرات تصادفی؟
برای این کار از آزمون هاسمن(Hausman Test) به شکل زیر استفاده می کنیم.
اول مدل با اثرات ثابت را اجرا می کنیم، سپس برآوردها را در سیستم استاتا ذخیره می کنیم، بعد مدل با اثرات تصادفی را اجرا می کنیم و نتایج را در استاتا ذخیره می کنیم و در نهایت آزمون هاسمن را اجرا می کنیم.
xtreg y x1 x2, fe
estimates store fixed
xtreg y x1 x2, re
estimates store random
hausman fixed random
🔆قاعده تصمیم گیری:
اگر P Value<0.05 باشد از مدل با اثرات ثابت استفاده می کنیم، در غیر این صورت از مدل با اثرات تصادفی استفاده می کنیم.
💻تمرین: کدهای بالا را در stata اجرا کنید و نتیجه را یک بار برحسب توضیحات برای خودتون تحلیل کنید.
#stata #استاتا #اقتصادسنجی #econometrics #paneldata #دادهـهایـپانل
https://t.me/ecohadico
👍7❤6👏2🔥1
🔆معرفی موقعیت کارآموزی در سازمان سبز جهانی (Global Green Growth Institute)
موقعیت کارآموزی بسیار جذاب در سئول کره با حقوق 500$ در ماه، طول دوره کارآموزی 6 ماه است.
Title: CLIMATE RESILIENT GROWTH INTERNSHIP
Application period for the program: 7th December
Hiring manager: Shivenes Shammugam
Internship duration: 6 months, December 2023 –May 2024
همانطور که از نام موسسه پیداست، با تغییرات اقلیم سرو کار دارد، اگر به این حوزه علاقه مندید، حتما با دقت اپلای کنید.
* برای گرفتن ویزا هم بهتون نامه میدن.
برای جزئیات بیشتر لینک زیر را ببینید.
https://careers.gggi.org/vacancy/hq-climate-resilient-growth-internship-542616.html?utm_medium=referral&utm_source=impactpool
💚💚
#economics #un #internship #کارآموزی
موقعیت کارآموزی بسیار جذاب در سئول کره با حقوق 500$ در ماه، طول دوره کارآموزی 6 ماه است.
Title: CLIMATE RESILIENT GROWTH INTERNSHIP
Application period for the program: 7th December
Hiring manager: Shivenes Shammugam
Internship duration: 6 months, December 2023 –May 2024
همانطور که از نام موسسه پیداست، با تغییرات اقلیم سرو کار دارد، اگر به این حوزه علاقه مندید، حتما با دقت اپلای کنید.
* برای گرفتن ویزا هم بهتون نامه میدن.
برای جزئیات بیشتر لینک زیر را ببینید.
https://careers.gggi.org/vacancy/hq-climate-resilient-growth-internship-542616.html?utm_medium=referral&utm_source=impactpool
💚💚
#economics #un #internship #کارآموزی
👍3❤2🥰1
🔆معرفی موقعیت کارآموزی در United Nations Entity for Gender Equality and the Empowerment of Women
موقعیت کارآموزی برای علاقه مندان به توسعه در ژنو سوئیس باز شده، دوستانی که به حوزه آموزش الکترونیکی علاقه دارند موقعیت خوبیه برای یادگیری و تجربه در یک محیط حرفه ای.
Organization: UNWOMEN - United Nations Entity for Gender Equality and the Empowerment of Women
Location: Geneva
Grade: Internship - Internship
Occupational Groups:
Education, Learning and Training
Project and Programme Management
Closing Date: 2023-12-11
STARTING DATE : 08-Jan-2024
*هزینه های زندگی در طول دوره برای کارآموزان تامین میشه.
🔗برای جزئیات بیشتر لینک زیر را ببینید.
https://jobs.undp.org/cj_view_job.cfm?cur_job_id=114734
📒📗📘📙
#economics #un #internship #کارآموزی
موقعیت کارآموزی برای علاقه مندان به توسعه در ژنو سوئیس باز شده، دوستانی که به حوزه آموزش الکترونیکی علاقه دارند موقعیت خوبیه برای یادگیری و تجربه در یک محیط حرفه ای.
Organization: UNWOMEN - United Nations Entity for Gender Equality and the Empowerment of Women
Location: Geneva
Grade: Internship - Internship
Occupational Groups:
Education, Learning and Training
Project and Programme Management
Closing Date: 2023-12-11
STARTING DATE : 08-Jan-2024
*هزینه های زندگی در طول دوره برای کارآموزان تامین میشه.
🔗برای جزئیات بیشتر لینک زیر را ببینید.
https://jobs.undp.org/cj_view_job.cfm?cur_job_id=114734
📒📗📘📙
#economics #un #internship #کارآموزی
❤5🔥2🥰2👎1
2018_Book_MarketResearch.pdf
6.6 MB
#معرفی
🔰کتاب بسیار جذاب که به زبان ساده ای نوشته شده
Market Research
Teh Process, Data and Method Using Stata
حدود 400 صفحه، انتشارات Springer
پر از نمودار و مثال که برای درک مفاهیم بسیار کمک کننده است.
#معرفیـکتاب #stata #data
@ecohadico
🔰کتاب بسیار جذاب که به زبان ساده ای نوشته شده
Market Research
Teh Process, Data and Method Using Stata
حدود 400 صفحه، انتشارات Springer
پر از نمودار و مثال که برای درک مفاهیم بسیار کمک کننده است.
#معرفیـکتاب #stata #data
@ecohadico
👍16❤4
🔆 معرفی دوره کارآموزی در شرکت سرمایه گستر هرمس
دوره کارآموزی در تهران برای علاقه مندان به حوزه تحلیل بنیادی بازار سرمایه
🔹شرح موقعیت شغلی
📉 تجزیه و تحلیل بنیادی داده‌های مالی
📝تدوین و تهیه گزارش‌های روزانه/ماهانه تحلیل
🏦 دنبال کردن اخبار تاثیرگذار بر بازارهای مالی
🔹شرایط احراز
• دانشجو یا فارغ‌التحصیل رشته‌های مدیریت مالی، اقتصاد، حسابداری، mba
• مسلط به نرم‌افزار Office (excel و word)
• آشنایی با اصول حسابداری
• آشنایی با تجزیه و تحلیل صورت‌های مالی
• دارای انگیزه و علاقه برای یادگیری، روحیه تیمی، صبر و دقت
✳️امکان شرکت در مجامع، فرصت یادگیری و تجربه کار در کنار مدیران تحلیل و سرمایه‌گذاری، تجربه کسب مهارت مدیریت دارایی و پرتفو در محیط واقعی
🔹شرایط کار
• مدت زمان کارآموزی: 1 ماه (پس از گذراندن دوره کارآموزی در صورت تایید، امکان جذب در شرکت فراهم می‌باشد)
• محل کار: سعادت آباد
• روز و ساعت کاری: شنبه تا چهارشنبه، 8 الی 17
🔹مزایای شغلی
• صبحانه، ناهار و میان وعده
✅درصورت تمایل می‌توانید رزومه خود را با ذکر عنوان "کارآموز تحلیل" برای ما ارسال نمایید:
📧hr@hermescapital.ir
*مسئولیت این آگهی به عهده شرکت سرمایه گستر هرمس است.
#موقعیت_کارآموزی
@ecohadico
دوره کارآموزی در تهران برای علاقه مندان به حوزه تحلیل بنیادی بازار سرمایه
🔹شرح موقعیت شغلی
📉 تجزیه و تحلیل بنیادی داده‌های مالی
📝تدوین و تهیه گزارش‌های روزانه/ماهانه تحلیل
🏦 دنبال کردن اخبار تاثیرگذار بر بازارهای مالی
🔹شرایط احراز
• دانشجو یا فارغ‌التحصیل رشته‌های مدیریت مالی، اقتصاد، حسابداری، mba
• مسلط به نرم‌افزار Office (excel و word)
• آشنایی با اصول حسابداری
• آشنایی با تجزیه و تحلیل صورت‌های مالی
• دارای انگیزه و علاقه برای یادگیری، روحیه تیمی، صبر و دقت
✳️امکان شرکت در مجامع، فرصت یادگیری و تجربه کار در کنار مدیران تحلیل و سرمایه‌گذاری، تجربه کسب مهارت مدیریت دارایی و پرتفو در محیط واقعی
🔹شرایط کار
• مدت زمان کارآموزی: 1 ماه (پس از گذراندن دوره کارآموزی در صورت تایید، امکان جذب در شرکت فراهم می‌باشد)
• محل کار: سعادت آباد
• روز و ساعت کاری: شنبه تا چهارشنبه، 8 الی 17
🔹مزایای شغلی
• صبحانه، ناهار و میان وعده
✅درصورت تمایل می‌توانید رزومه خود را با ذکر عنوان "کارآموز تحلیل" برای ما ارسال نمایید:
📧hr@hermescapital.ir
*مسئولیت این آگهی به عهده شرکت سرمایه گستر هرمس است.
#موقعیت_کارآموزی
@ecohadico
👍10❤1
🔰مدل میانگین متحرک یکپارچه خودرگرسیون یا Introduction to the Autoregressive Integrated Moving Average (ARIMA) model
مدل ARIMA یک ابزار آماری با ساختار استاندارد است که ساده است و با این حال اطلاعات ماهرانه‌ای در مورد پیش بینی متغیرها ارائه می‌کند.
مفهوم مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA):
در سال 1970، باکس و جنکینز مفهوم میانگین متحرک یکپارچه اتورگرسیو (ARIMA) را به عنوان روشی برای شناسایی، تشخیص و تخمین داده های سری زمانی معرفی کردند. مدل ARIMA در زمینه های مختلفی مانند پیش بینی آب و هوا یا فروش قابل استفاده است، اما پیش بینی مالی برجسته ترین زمینه برای نتایج موثر است. مدل خودرگرسیون را می توان به صورت زیر نوشت:
yt = ϕ0 + ϕ1yt−1 + ϕ2yt−2 + ⋯ + ϕpyt−p + εt – ϴ1εt-1– ϴ2εt-2-…- ϴqεq-1
که در آن εt مقدار خطای گذشته را نشان می‌دهد، Yt مقدار واقعی است، φ و ϴ ضرایب هستند، و p و q به عنوان میانگین متحرک و خودرگرسیون نامیده می‌شوند.
مراحل ساختن یک مدل ARIMA:
مرحله 1: رسم داده ها
در ابتدا، داده های متغیر بر اساس زمان رسم می شوند تا ویژگی های نمودار بررسی شود و غیرعادی بودن آن شناسایی شود ، همچنین مشخص شود داده ها stationary/ seasonality هستند.
مرحله 2: تبدیل داده ها
هنگامی که مشخصه های سری تعیین شوند، داده ها مانند لگاریتم طبیعی به منظور به حداقل رساندن سطح انحراف استاندارد می توانند تبدیل شوند.
مرحله 3: شناسایی ترتیبات مدل و تخمین مدل
در صورتی که سری با تبدیل تثبیت شود، مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) برازش داده می شود و در غیر این صورت دستورات AR، I و MA مشخص می شوند. معیار اطلاعات آکاییک (AIC) یا معیار اطلاعات شوارتز بیزین (SBIC) می تواند برای تعیین بهینه و موثرترین تعداد پارامترها (یعنی p+q) استفاده شود. سری زمانی با استفاده از تفاضل، همبستگی و همبستگی جزئی برای تعیین ترتیب ترسیم می شود. بر اساس تعداد وقفه ها و سفارشات شناسایی شده، مدل ARIMA تخمین زده می شود.
مرحله 4: تشخیص باقیمانده
با رسم نمودار (نقشه Q-Q یا هیستوگرام)، آمار، ACF یا PACF. اعتبار مدل مشخص می شود. اگر مدل بد باشد، مراحل 1-3 تکرار می شود، در غیر این صورت پیش بینی ها با مدل انجام می شود.
ویژگی های یک مدل پیش بینی خوب
پیش‌بینی یک مدل به مدل مورد استفاده برای پیش‌بینی بستگی دارد. برای داشتن یک پیش‌بینی مؤثر، تدوین یک مدل پیش‌بینی خوب ضروری است. در زیر ویژگی هایی که یک مدل خوب باید داشته باشد بیان شده است
مدل باید به خوبی با داده های گذشته مطابقت داشته باشد و مقدار R2 تعدیل شده باید بالا باشد.
⚜️میانگین درصد خطای مطلق (MAPE) باید خوب باشد.
⚜️خطای استاندارد نسبی (RSE) مدل انتخاب شده باید در مقایسه با سایر مدل ها پایین باشد.
⚜️طرح خط واقعی باید به خوبی با مشاهدات پیش بینی شده مطابقت داشته باشد.
⚜️پیش بینی مشاهدات آینده حتی در داده های پنهان شده باید خوب باشد.
⚜️هیچ الگوی قابل توجهی نباید در PACF و ACF باقی بماند.
⚜️باید موثر باشد اما ساده با ضرایب نه چندان زیاد (مدل باید مقرون به صرفه باشد).
⚜️ضرایب برآورد شده مدل باید از نظر آماری معنی دار باشد و زائد نباشد.
⚜️باقیمانده باید نویز سفید باشد.
⚜️مدل باید stationary باشد.
#استاتا #stata #econometrics #economics #ARIMA #AR #MA #forcasting_model
https://t.me/ecohadico
مدل ARIMA یک ابزار آماری با ساختار استاندارد است که ساده است و با این حال اطلاعات ماهرانه‌ای در مورد پیش بینی متغیرها ارائه می‌کند.
مفهوم مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA):
در سال 1970، باکس و جنکینز مفهوم میانگین متحرک یکپارچه اتورگرسیو (ARIMA) را به عنوان روشی برای شناسایی، تشخیص و تخمین داده های سری زمانی معرفی کردند. مدل ARIMA در زمینه های مختلفی مانند پیش بینی آب و هوا یا فروش قابل استفاده است، اما پیش بینی مالی برجسته ترین زمینه برای نتایج موثر است. مدل خودرگرسیون را می توان به صورت زیر نوشت:
yt = ϕ0 + ϕ1yt−1 + ϕ2yt−2 + ⋯ + ϕpyt−p + εt – ϴ1εt-1– ϴ2εt-2-…- ϴqεq-1
که در آن εt مقدار خطای گذشته را نشان می‌دهد، Yt مقدار واقعی است، φ و ϴ ضرایب هستند، و p و q به عنوان میانگین متحرک و خودرگرسیون نامیده می‌شوند.
مراحل ساختن یک مدل ARIMA:
مرحله 1: رسم داده ها
در ابتدا، داده های متغیر بر اساس زمان رسم می شوند تا ویژگی های نمودار بررسی شود و غیرعادی بودن آن شناسایی شود ، همچنین مشخص شود داده ها stationary/ seasonality هستند.
مرحله 2: تبدیل داده ها
هنگامی که مشخصه های سری تعیین شوند، داده ها مانند لگاریتم طبیعی به منظور به حداقل رساندن سطح انحراف استاندارد می توانند تبدیل شوند.
مرحله 3: شناسایی ترتیبات مدل و تخمین مدل
در صورتی که سری با تبدیل تثبیت شود، مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) برازش داده می شود و در غیر این صورت دستورات AR، I و MA مشخص می شوند. معیار اطلاعات آکاییک (AIC) یا معیار اطلاعات شوارتز بیزین (SBIC) می تواند برای تعیین بهینه و موثرترین تعداد پارامترها (یعنی p+q) استفاده شود. سری زمانی با استفاده از تفاضل، همبستگی و همبستگی جزئی برای تعیین ترتیب ترسیم می شود. بر اساس تعداد وقفه ها و سفارشات شناسایی شده، مدل ARIMA تخمین زده می شود.
مرحله 4: تشخیص باقیمانده
با رسم نمودار (نقشه Q-Q یا هیستوگرام)، آمار، ACF یا PACF. اعتبار مدل مشخص می شود. اگر مدل بد باشد، مراحل 1-3 تکرار می شود، در غیر این صورت پیش بینی ها با مدل انجام می شود.
ویژگی های یک مدل پیش بینی خوب
پیش‌بینی یک مدل به مدل مورد استفاده برای پیش‌بینی بستگی دارد. برای داشتن یک پیش‌بینی مؤثر، تدوین یک مدل پیش‌بینی خوب ضروری است. در زیر ویژگی هایی که یک مدل خوب باید داشته باشد بیان شده است
مدل باید به خوبی با داده های گذشته مطابقت داشته باشد و مقدار R2 تعدیل شده باید بالا باشد.
⚜️میانگین درصد خطای مطلق (MAPE) باید خوب باشد.
⚜️خطای استاندارد نسبی (RSE) مدل انتخاب شده باید در مقایسه با سایر مدل ها پایین باشد.
⚜️طرح خط واقعی باید به خوبی با مشاهدات پیش بینی شده مطابقت داشته باشد.
⚜️پیش بینی مشاهدات آینده حتی در داده های پنهان شده باید خوب باشد.
⚜️هیچ الگوی قابل توجهی نباید در PACF و ACF باقی بماند.
⚜️باید موثر باشد اما ساده با ضرایب نه چندان زیاد (مدل باید مقرون به صرفه باشد).
⚜️ضرایب برآورد شده مدل باید از نظر آماری معنی دار باشد و زائد نباشد.
⚜️باقیمانده باید نویز سفید باشد.
⚜️مدل باید stationary باشد.
#استاتا #stata #econometrics #economics #ARIMA #AR #MA #forcasting_model
https://t.me/ecohadico
👍6❤2🔥1
🔆معرفی دوره پیش دکتری : دوره های پیش دکتری معمولا در دانشگاه ها و موسسات آموزشی برتر دنیا ارائه می شوند و فرصت خوبیه برای ورود به حوزه کار تحقیقاتی حرفه ای که البته در این دوره حقوق هم دریافت می کنید و آمادگی لازم رو برای ورود به دوره دکتری کسب می کنید.
در این دوره ها معمولا تسلط به یکی از برنامه های R, Python یا Stata لازمه و در برخی موارد MATLAB و GIS رو هم میخوان.
1️⃣معرفی دوره پیش دکتری در دانشگاه میشیگان
Research Assistant in Health Economics and Econometrics
https://users.nber.org/~kowalski/Kowalski.Latest.RA.Posting.pdf
Deadline: January 15, 2024
2️⃣معرفی دوره پیش دکتری در دانشگاه کالیفرنیای جنوبی
https://drive.google.com/file/d/1FMloJBFl_5YmWumGLSPb88WcMCGVzA5G/view
Deadline: 12/31/2023
3️⃣ معرفی دوره پیش دکتری در دانشگاه شیکاگو
https://www.nber.org/sites/default/files/2023-11/Pre-Doctoral%20Fellow_Meyer_Comprehensive%20Income%20Dataset%20Project%202023.pdf
Deadline: 12/31/2023
#predoc #stata #economics #econometrics #R_programing
در این دوره ها معمولا تسلط به یکی از برنامه های R, Python یا Stata لازمه و در برخی موارد MATLAB و GIS رو هم میخوان.
1️⃣معرفی دوره پیش دکتری در دانشگاه میشیگان
Research Assistant in Health Economics and Econometrics
https://users.nber.org/~kowalski/Kowalski.Latest.RA.Posting.pdf
Deadline: January 15, 2024
2️⃣معرفی دوره پیش دکتری در دانشگاه کالیفرنیای جنوبی
https://drive.google.com/file/d/1FMloJBFl_5YmWumGLSPb88WcMCGVzA5G/view
Deadline: 12/31/2023
3️⃣ معرفی دوره پیش دکتری در دانشگاه شیکاگو
https://www.nber.org/sites/default/files/2023-11/Pre-Doctoral%20Fellow_Meyer_Comprehensive%20Income%20Dataset%20Project%202023.pdf
Deadline: 12/31/2023
#predoc #stata #economics #econometrics #R_programing
❤7👍3
سلام به همگی
#معرفی موقعیت کارآموزی در هلند
دوستانی که به مباحث مالی علاقه دارند، موقعیت خوبیه برای یادگیری و استخدام در یک سازمان بین المللی
@ecohadico
کمک هزینه کارآموزی ماهیانه بین ۳۰۰ تا ۵۰۰ یورو است
برای جزئیات بیشتر روی لینک زیر کلیک کنید
https://www.workingatdllgroup.com/apply?jobId=PE3FK026203F3VBQB8M6G68NF-287533&sType=LinkedIn&cType=LinkedIn&langCode=en_US&id=FE1D9DCC0B1745D0B49AEBA18DE7C685
#موقعیت_کارآموزی #job #data #stata #استاتا
💚💚
https://t.me/ecohadico
#معرفی موقعیت کارآموزی در هلند
دوستانی که به مباحث مالی علاقه دارند، موقعیت خوبیه برای یادگیری و استخدام در یک سازمان بین المللی
@ecohadico
کمک هزینه کارآموزی ماهیانه بین ۳۰۰ تا ۵۰۰ یورو است
برای جزئیات بیشتر روی لینک زیر کلیک کنید
https://www.workingatdllgroup.com/apply?jobId=PE3FK026203F3VBQB8M6G68NF-287533&sType=LinkedIn&cType=LinkedIn&langCode=en_US&id=FE1D9DCC0B1745D0B49AEBA18DE7C685
#موقعیت_کارآموزی #job #data #stata #استاتا
💚💚
https://t.me/ecohadico
👍8❤3
🔆#معرفی دوره های کارآموزی در Incheon کره جنوبی
1⃣ Results and Data Management Intern
Location: Incheon, South Korea (ICN), KR
Company: Green Climate Fund
Duration: 6 months
Starting date: 08 July July 2024
Location: Songdo, Incheon City, Republic of Korea
Remuneration: US$ 1,300/month
برای جزئیات بیشتر روی این لینک کلیک کنید!
2⃣ ICT Business Intelligence & Data Analytics Intern
Location: Incheon, South Korea (ICN), KR
Company: Green Climate Fund
Duration: 6 months
Starting date: 08 July 2024
Location: Songdo, Incheon City, Republic of Korea
Remuneration: US$ 1,300/month
برای جزئیات بیشتر روی این لینک کلیک کنید!
#دوره_کارآموزی #data #job #موقعیت_کارآموزی #ecohadi #economics
💚💚
https://t.me/ecohadico
1⃣ Results and Data Management Intern
Location: Incheon, South Korea (ICN), KR
Company: Green Climate Fund
Duration: 6 months
Starting date: 08 July July 2024
Location: Songdo, Incheon City, Republic of Korea
Remuneration: US$ 1,300/month
برای جزئیات بیشتر روی این لینک کلیک کنید!
2⃣ ICT Business Intelligence & Data Analytics Intern
Location: Incheon, South Korea (ICN), KR
Company: Green Climate Fund
Duration: 6 months
Starting date: 08 July 2024
Location: Songdo, Incheon City, Republic of Korea
Remuneration: US$ 1,300/month
برای جزئیات بیشتر روی این لینک کلیک کنید!
#دوره_کارآموزی #data #job #موقعیت_کارآموزی #ecohadi #economics
💚💚
https://t.me/ecohadico
❤5👍4🥰1