💬 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

🌐 /channel/ecohadico

Читать полностью…

🏆 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

Читать полностью…

🔆 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
🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

📖 #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

🌐 /channel/ecohadico

Читать полностью…

#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

Читать полностью…

#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.

🌐 /channel/ecohadico

Читать полностью…

📊دوره جامع اقتصادسنجی

📊اقتصاد را با زبان داده‌ها تحلیل کنید!

💠مدرسین:
👤دکتر هادی امیری
🔵عضو هیئت علمی دانشکده اقتصاد دانشگاه اصفهان
🔵عضو سابق شورای راهبردی كانون هماهنگی صنعت و دانشگاه
🔵دانش آموخته دکتری دانشکده اقتصاد دانشگاه تهران

👤هادی حسن‌زاده
🔵پژوهشگر کمی و متخصص اقتصادسنجی کاربردی
🔵کارشناسی ارشد اقتصاد از دانشگاه شهید بهشتی
🔵بیش از شش سال تجربه در زمینه پژوهش‌های تجربی، ارزیابی سیاست‌ها و تحلیل داده‌های اقتصادی در پروژه‌هایی با سازمان‌هایی مانند یونیسف، برنامه توسعه سازمان ملل متحد و دفتر مقابله با مواد مخدر و جرم سازمان ملل

📝سرفصل‌های دوره:
🔹آشنایی با اقتصادسنجی و کاربردهای آن
🔹آشنایی با انواع داده‌های اقتصادی
🔹کار با داده‌ها و منابع داده
🔹آشنایی با Stata، R
🔹آمار توصیفی و تحلیل داده
🔹همبستگی و تفاوت آن با علیت
🔹مبانی رگرسیون و تفسیر ضرایب
🔹مفروضات و خطاهای رایج رگرسیون
🔹خواندن و تحلیل نتایج اقتصادسنجی
🔹تبدیل سؤال پژوهشی به مدل اقتصادسنجی
🔹کاربرد اقتصادسنجی در پژوهش و پایان‌نامه
🔹آشنایی مقدماتی با مدل‌های Logit، Probit، Panel و Time Series

💻در ۲۰ ساعت به صورت مجازی در بستر اسکای‌روم

📝به همراه اعطای سرتیفیکیت انگلیسی از شبکه نخبگان ایران

🔗لینک ثبت‌نام

جهت کسب اطلاعات بیشتر با آیدی ادمین در ارتباط باشید:👇
🆔 @IEN_ECO_Admin

در کانال انجمن علمی اقتصاد با ما همراه باشید 📈
| @Economics_Association |

Читать полностью…

🔆 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❤️

🌐 /channel/ecohadico

Читать полностью…

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

🌐 /channel/ecohadico

Читать полностью…

🔆 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.

🌐 /channel/ecohadico

Читать полностью…

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

https://lnkd.in/p/d6nUCBbX

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

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

Читать полностью…

🔆 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

🌐 /channel/ecohadicom

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

🎯 #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) 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.

🌐 /channel/ecohadico

Читать полностью…

#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


🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

#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

🌐 /channel/ecohadico

Читать полностью…

🔆 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
🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

🔆 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؟

🌐 /channel/ecohadico

Читать полностью…

🔆 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

🌐 /channel/ecohadico

Читать полностью…

┄┄┅┅┅🌷⃟‌🇮🇷 ┅┅┅┄┄
⭕️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

Читать полностью…

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

ممنون از شما🙏🌺

@ecohadi

Читать полностью…

🔆 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

🌐 /channel/ecohadicom

Читать полностью…

🚀 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

Читать полностью…