GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
امروز داشتم، برخی از کارهای قدیمی خودم را نگاه می‌کردم که به فایل‌ها و نوشتارهایم در سال ۹۳ و موسسه عالی آموزش وپژوهش مدیریت و برنامه‌ریزی که متعلق به نهاد ریاست جمهوری است، برخوردم. از تیرماه سال ۹۳ تا دی‌ماه همان سال آنجا بودم و پس از اتفاقات اولین کنفرانس اقتصاد ایران در دی‌ماه ۹۳ که برایم افتاد دیگر آنجا نرفتم. متن‌ها و نوشته‌هایم که حاصل مطالعات شخص من در چند ماه کار در آن‌جا بود، شامل صدها فایل و نمودار و گراف است که شاید بعدها آن‌ها را منتشر کردم.

در تصویری که برایتان قرار داده‌ام، مربوط به یکی از کارهایم در آنجا و بررسی بلند مدت نرخ مشارکت اقتصادی زنان ایران در بازار کار از سال ۱۳۳۵ تا پاییز سال ۹۳ بود. این گراف برای سال ۱۳۹۳ نمودار و چارت تازه و جدیدی بود و اعداد آن را خیلی به زحمت و با مطالعه کتابخانه‌های چند دانشگاه و البته مرکز آمار ایران به دست آورده بودم. به ویژه اعداد مربوط به قبل از انقلاب را.
👇
به آن قسمتی از گراف که در بالا برایتان مشخص کرده‌ام، نگاه کنید. سال ۱۳۸۳ نرخ مشارکت اقتصادی زنان کشور ۱۱.۴ درصد بوده است. یک دفعه در سال ۱۳۸۴ این نرخ شده است ۱۷ درصد.

یعنی ما در طول یکسال صدها هزار شغل برای زنان جامعه ایجاد کردیم؟ واضح است که خیر، اتفاقاَ اگر روزنامه‌های آن روزها را نگاه کنید می‌بینید جامعه خیلی هم مشکل بیکاری داشته و گفتمان غالب آن روزها اشتغال و بیکاری بوده است (مثل امروز که مفاهیمی مانند تحریم و برجام است)

پس چه اتفاقی افتاد یکدفعه ما از نرخ ۱۱ درصدی در مشارکت اقتصادی زنان رسیدیم به ۱۷ درصد در سال بعد.
خیلی ساده و بدون هیچ گونه تردستی یا خلاف‌گویی. اتفاقاَ خیلی هم درست می‌گفتیم و واقعاَ مشارکت اقتصادی زنان ما در سال ۸۴ همان ۱۷ درصد است و در سال ۸۳ همان ۱۱.۴ درصد.

موضوع یک نکته بسیار ساده بود.
تعریف شغل عوض شده بود. ما به هر فردی که در هفته حداقل یک ساعت کار می‌کرد می‌گفتیم، آهان، یافتم، این آدم شاغل است.
به همین سادگی و بدون هیچ‌گونه هزینه‌ای ما صدها هزار شغل ساختیم و نرخ مشارکت اقتصادی زنان بالا رفت.

حالا هم خیلی ساده به دوستانی که شاخص کل بورس را پی می‌گیرند و آن را هر روز رصد می‌کنند، می‌گویم. این بنده خدا و برادر کوچکتر آن یعنی شاخص هم‌وزن را رها کنید. تعریف آن‌ها مشکل دارد وگرنه نحوه محاسبه‌ آن‌ها کاملاَ هم درست است.
شاخص فقط و فقط یک چیز است. همان پرتفوی شما.
نوشتن این متن برای خودم هم سخت بود، اما خُب گفتم در این شب اصطلاحاَ چهارشنبه سوری، خوب است از نگاهی که به میزان فرهنگ و مردم‌دوستی، جامعه ایرانی محصور شده در جغرافیای سرزمینی ایران می‌شود، کمی مطلع شوید.

حدود دو ماه پیش بر روی داده‌های تز محققی از دانشگاه Argosy (Arizona, United States) تحلیل‌های آماری انجام می‌دادم. او به بررسی میزان فرهنگ، مردم‌داری، انسان‌دوستی و احترام جمعی، بین مردم ۱۹ کشور دنیا می‌پرداخت.

این کشورها عبارت بودند از
استرالیا، اندونزی، ژاپن، مغولستان، روسیه، هند، ایران، اردن، مصر، نیجریه، زیمباوه، آفریقای جنوبی، فرانسه، آلمان، ایرلند، آمریکا، کلمبیا، بولیوی و شیلی.

مصاحبه از افراد به صورت اینترنتی انجام شده و پرسشنامه‌های یکسانی برای آن‌ها ایمیل شده بود.
فاکتورهایی نظیر سن، جنسیت، تحصیلات و درآمد در بین پاسخ‌دهندگان هر کشور کنترل شده و فراوانی آن‌ها با هم اختلاف معنادار نداشت. این موضوع بسیار مهم بود تا مبادا تفاوت در این فاکتورها مطالعه را مخدوش کنند.

داستان این مطالعه و یافته‌های آن برای جامعه ایران امروزی غم‌انگیز بود.
در انتهای جدول آزمون رتبه‌بندی فریدمن Friedman Test که به ترتیب کشورها را از نظر اندازه و میزان بالا بودن آیتم‌ها و شاخص‌های فرهنگ و انسان‌دوستی، رتبه‌بندی می‌کرد، ایران قرار داشت. اینکه چه شده جامعه ایرانی در این جایگاه قرار گرفته و کدام روند را طی کرده، سوالی است که شاید بهتر است به آن پاسخ داده نشود.
جلیل محمد قلی زاده، مدیر و سردبیر مجله ای است که از سال ۱۲۸۵ تا ۱۳۱۰ منتشر می‌شد. مجله، نشریه‌ای بود طنز و مصور که عموم کاریکاتورهای آن توسط سید علی بهزاد که از نقاشان برجسته آن روزهای ایران بود، کشیده می‌شد. مجله او بعدها الهام بخش نسیم شمال و چرند و پرند دهخدا شده بود.

در سال ۱۳۹۵، نود و شش مقاله این مجله توسط دانشگاه کرمان، در کتابی چاپ و منتشر شد.

بخش هایی از کتاب به وقایع و اوضاع و احوال جامعه ایرانی از اسفند ۱۲۹۹ تا اردیبهشت ۱۳۰۰ می‌پردازد.

اما عجیب است که آنچه او از احوال نامساعد جامعه، معیشت، فرهنگ، سواد، سیاست حکومت و مردم آن روزها بیان می‌کند، همانند اوضاع همین روزها است. انگار جلیل محمد قلی زاده، جامعه امروز را وصف می‌کند و سید علی بهزاد احوال امروز را به تصویر می‌کشد.

مقالات او در آغازین روزهای سال ۱۳۰۰ سرشار است از امید و آرزو. از آزادی خواهی، ترقی، پیشرفت برای ایران در قرن جدید.

اما خب، با صد افسوس باید نوشت، انگار نه انگار صد سال بر این مرز و بوم گذشته. آب از آب در این یک قرن تکان نخورده. غصه ها و آرمان ها همان ها بوده که صد سال پیش بوده. آن هم در قرنی که جامعه جهانی به سرعت دویده و ما قرنی جدید را تحویل میگیریم که همچنان در دم در، کفش های خود را می جوریم.
به امید آینده‌ای بهتر برای مردم سرزمینم
#Syntax

یکی از بیشترین سوالاتی که در زمینه تحلیل‌های آماری پرسیده می‌شود، مفهوم
Interaction Multiple Comparisons
است.

برای فهم بهتر مطلب
فرض کنید کمیت (Variable) داریم به اسم A. این کمیت خود دارای مثلاَ پنج سطح (Level) به نام‌های a1, a2, a3, a4, a5 است. ما خیلی ساده با استفاده از نرم‌افزاری مثل SPSS می‌توانیم این سطوح را با هم مقایسه کنیم (آنالیز واریانس)

حال فرض کنید کمیت دیگری داریم با نام B. این کمیت نیز دارای مثلاَ چهار سطح به نام‌های b1, b2, b3, b4 است. همانند بالا و باز هم خیلی ساده با استفاده از SPSS می‌توانیم این سطوح را با هم مقایسه کنیم (یک آنالیز واریانس دیگر)

حال سوال و مفهوم
Interaction Multiple Comparisons

این است. چگونه می‌توان این سطوح را به صورت متقاطع با هم مقایسه کرد؟ مثلاَ بیاییم a1 را با b3 مقایسه کنیم و یا بخواهیم a5 را با b4 مورد آزمون و مقایسه قرار دهیم؟

موضوع جالب توجهی که وجود دارد این است که نرم‌افزاری مانند SPSS تا به امروز که ورژن ۲۷ آن هم ارایه شده، در منوها و آنالیزهای خود جایی برای انجام این نوع تحلیل ندارد. یعنی گزینه‌ای وجود ندارد که ما آن را انتخاب کنیم و سپس نرم‌افزار برای ما مقایسه‌های متقاطع را نیز انجام دهد.

برای انجام این کار، من در Syntax ها و محیط برنامه‌نویسی نرم‌افزار SPSS کمی دست برده‌ام. Syntax و برنامه انجام آزمون‌های مقایسه‌های متقاطع مثلاَ برای یک مطالعه اندازه‌گیری مکرر (RM) آن هم از نوع Multivariate به شرح زیر است.

GLM TOC.Feb TOC.Apr TOC.May TOC.June TOC.July TOC.Aug TOC.Sep DOC.Feb DOC.Apr DOC.May DOC.June
DOC.July DOC.Aug DOC.Sep BY Type Scenario
/WSFACTOR=Time 7 Polynomial
/MEASURE=TOC DOC
/METHOD=SSTYPE(3)
/EMMEANS=TABLES(Type) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Scenario) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Time) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Type*Scenario) COMPARE(Type)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Scenario) COMPARE(Scenario)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Time) COMPARE(Type)ADJ(BONFERRONI)
/EMMEANS=TABLES(Scenario*Time) COMPARE(Scenario)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Scenario*Time) COMPARE(Type)ADJ(BONFERRONI)
/CRITERIA=ALPHA(.05)
/WSDESIGN=Time
/DESIGN=Type Scenario Type*Scenario.

استفاده از محیط برنامه‌نویسی نرم‌افزار SPSS و کار با Syntax ها را به جای استفاده از منوها و تحلیل‌های قرار گرفته در نرم‌افزارها، به شما پیشنهاد می‌کنم. آن‌ها قابلیت‌های خیلی بیشتری به ما می‌دهند. فایل برنامه و Syntax این مثال را نیز در ادامه برایتان قرار داده‌ام.
GraphPad
#آزاده_شریعت
#آزاده_آزاده

واضح است که در حدی نیستم که تلنگری بزنم و البته ابزار مستندی هم ندارم که بگویم اگر در مطالعه دانشگاه Argosy به جای ۱۹ کشور، ۱۹۰ کشور بررسی می‌شد، باز هم میانگین فرهنگ مردمان محصور شده در جغرافیای سرزمینی ایران، در انتهای جدول رتبه‌بندی فریدمن، قرار می‌گرفت. اما خب برایم خیلی سخت بود که امروز که به خاک سپرده شد، چیزی نگویم و ننویسم که این آزاده، حق چه کسی را پایمال کرده بود و به کدامین گناه نابخشوده، آن هم در یک جامعه، که خودش در انتهای جدول فرهنگ فریدمن قرار گرفته، به نابودی کشیده شد.
🔆 دوستانی که با نرم‌افزار
GraphPad Prism
کار می‌کنند، می‌توانند ورژن جدید و بهبود یافته این نرم‌افزار را که به تازگی ارایه شده، از لینک زیر در سایت گراف پد، دریافت کنند.

https://graphpad.ir/prism9/
#شاخص_امید

لطفاَ ابتدا دو تصویر بالا را ببینید. 👆

سپس متن زیر را بخوانید.
گراف سمت چپ رتبه اکسا Alexa Rank سایت Tse ایران در ۹۰ روز اخیر تا امروز شنبه ۲۱ فروردین ۱۴۰۰ را نشان می‌دهد. یک نقطه بر روی گراف که بیانگر روز ۲۸ فوریه ۲۰۲۱ است را برایتان مشخص کرده‌ام. تقریبا می‌شود ۱۰ اسفند سال گذشته. می‌بینید، با وجود این همه ریزش نمادهای بورسی، هنوز امید وجود دارد.
گراف روند نزولی به خود نگرفته و هم‌چنان خط تقریباَ مستقیم است. به معنای اینکه بازدید و سر زدن به سایت و چک کردن قیمت‌ها و بالا و پایین شدن آن‌ها همچنان از طرف کاربران و جامعه ایرانی وجود دارد. پس از آن است که امید از بین رفته و گراف سقوط می‌کند.

گراف سایت Tse نشان می‌دهد سه چیز یعنی میانگین مدت زمان حضور در سایت، تعداد صفحات بازدید و Bounce Rate (فرد آمده سایت را باز کرده و بلافاصله سایت را بسته) کاهش شدید داشته است.

این اتفاق برای همه درگاه‌های اینترنتی کارگزاری‌ها هم رخ داده است. می‌توانید خودتان سرچ کنید و سقوط رتبه الکسا آن‌ها را ببینید.

حال گراف سمت راست را ببینید. رتبه اکسا یک سایت صرافی داخلی خرید و فروش ارزهای دیجیتال است. همان بازه زمانی ۹۰ روز را نشان می‌دهد، با روند افزایشی فوق‌العاده. این یعنی این‌که مثلاَ حتی قبل از روز ۲۸ فوریه که همچنان امید به بهبود در Tse وجود داشته، تقاضا برای این صرافی (بقیه صرافی‌ها هم همین‌گونه هستند) افزایشی بوده است. همچنان هم روند افزایشی بازدید و مدت زمان حضور در سایت دیده می‌شود.

خُب، این‌ها یعنی چه؟
اگر از من بپرسید، می‌گویم گراف Tse و کاهش شدید رتبه آن، به معنای آن است که نه فقط آدم در بازار نیست، بلکه پول هم در آن نیست. Bounce Rate سایت Tse نشان می‌دهد هر که از بورس ایران رفته، دیگر پشت سرش را هم نگاه نکرده. از طرف دیگر، گراف افزایشی سایت صرافی نشان می‌دهد هم آدم در آن است و هم پول به سمت آن رفته و می‌رود.

یادم هست در این لینک که مربوط به چهارم تیرماه سال ۹۹ بود، اظهار امیدواری کردم، پنجره باز شده بورسی کشور به سرنوشت پنجره بسته شده جمعیتی کشور، تبدیل نشود که متاسفانه تبدیل شد و ما نشان دادیم اساتید متبحری در فرصت سوزی هستیم.

در همان لینک و روزهای ابتدای تیرماه گفتم، بهتر است دامنه نوسان به عنوان یک نکته فنی آماری حذف شود، اما امروز با این گراف الکسا Tse و کاربرانی که دیگر در آن وجود ندارند و پولی که دیگر در آن نیست به نظرم حذف دامنه نوسان اوضاع را حتی بدتر هم کند.

به شخصه معتقدم اولین گام پیشرفت در هر موضوعی، آزادی است. اما واقع‌بینانه بخواهم بگویم این روزها، روزهای حذف دامنه نوسان نیست. همان تیرماه سال قبل، زمان مناسب حذف دامنه بود که از دست رفت. اکنون باید منتظر بود بازار به تعادل منطقی برسد، پس از آن، به نظرم فوری‌ترین کار و تصمیم، همان آزادی است.
#XRPUSDT

اگر از من بپرسید، ریپل را نسبت به سایر ارزهای دیجیتال، بیشتر می‌پسندم. شاید به دلیل اینکه به نظرم گراف آن نسبت به بقیه پیش‌بینی پذیرتر است.

از ابتدای روز جمعه ۲۰ فروردین تا امروز سه‌شنبه ۲۴ فروردین که گراف آن را در بالا برایتان آورده‌ام.، بازدهی خوبی داشته است.

به خوبی می‌توان در Outlier Data (Lower) آن ورود، و در Outlier Data (Upper) خروج کرد. با آزمونی مانند Grubbs’ Test نیز می‌توان این نقاط را مشخص کرد. در آن، اعداد زبان بلندتری برای حرف زدن دارند.
#آزادی

تصویر، واچ لیست من در tradingview.com است. این چند روز، بازدهی تقریباَ عالی داشته‌اند. بایننس BNBUSDT هم که اکنون منفی است، دوستان می‌دانند از یک رالی صعودی بیش از ۱۵۰ درصدی بازگشته است.

هدفم بیان هیچ نکته‌ای نیست، جز، عاقبت آزادی. که امیدوارم در مملکت خودمان هم روزی آن را ببینیم.
#توافق

فرض کنید می‌خواهیم بدانیم دو فرد، ارزیاب، داور، استاد و یا در حالت کلی دو تصمیم‌‌گیر، چقدر با هم توافق Agreement دارند.

اندازه‌گیری توافق، یک بخش کوچکتری از مفهوم بزرگتر پایایی یا همان Reliability است. ما وقتی می‌خواهیم اندازه توافق بین دو منبع تصمیم‌گیر را به دست بیاوریم، اگر داده‌ها از نوع Scale باشند، برای محاسبه اندازه توافق از انواع ضرایب همبستگی استفاده می‌کنیم.

در لینک زیر، آموزش کار با انواع ضرایب همبستگی را آورده‌ام.
https://graphpad.ir/correlation/

اگر داده‌های اسمی Nominal و یا رتبه‌ای Ordinal باشد از ضریب کاپا استفاده می‌کنیم. آموزش ضریب کاپا و محاسبه آن در SPSS را در لینک زیر سایت گراف پد می‌توانید، ببینید.
https://graphpad.ir/kappa-coefficient-with-spss/

اما موضوع مهم این است که فرض کنید، تعداد ارزیاب‌ها یا تصمیم‌گیرها بیشتر از دو نفر باشد. مثلاَ پنج نفر، یا ده نفر. یا کلاَ n نفر.

سوال این است، اندازه توافق بین این n نفر را چگونه به دست بیاوریم؟
ضرایب کاپا یا همبستگی فقط توانایی محاسبه بین دو نفر یا دو کمیت Variable را دارند. اگر تعداد ارزیاب‌ها و افراد بیشتر از دو بود، چه کنیم؟

آیا خوب است، بیاییم دو به دو بین افراد یا کمیت‌ها، اندازه توافق به دست بیاوریم؟
واضح است که خوب نیست، به ویژه اگر تعداد افراد یا کمیت‌هایی که می‌خواهیم بین آن‌ها اندازه توافق به دست بیاوریم، زیاد باشد.

راهکار درست این است که از نوع جدیدی از پایایی‌ها یعنی
Inter-rater Reliability
یا اصطلاحاَ پایایی بین ارزیابان استفاده کنیم. در این نوع پایایی، مهم نیست شما بین چند نفر یا چند تصمیم‌گیر می‌خواهید، اندازه توافق به دست بیاوریم.
در نهایت یک عدد برای شما به عنوان میزان توافق بین همه آن‌ها برایتان به دست می‌آید.

آموزش این نوع پایایی را در سایت گراف پد و در لینک زیر نوشته‌ام.
https://graphpad.ir/inter-rater-reliability/
#کای_اسکوئر

بهار سال ۱۳۸۳ و ایام نوروز که تهران شهر خوب و خلوتی می‌شد، می‌رفتم نیاوران کتابخانه وزارت امورخارجه. آن زمان به تازگی ترم اول کارشناسی آمار دانشگاه اهواز را تمام کرده بودم.

در آن‌جا و در بین انبوه کتاب‌هایی که به آن‌ها علاقمند بودم و می‌خواندم، کتابی دیدم با موضوع جنگ ایران و عراق و تحلیل داده‌های جنگ. نویسنده در فصلی از کتاب با استفاده از یک آزمون و روش آماری به نام کای-اسکوئر Chi-Square Test نشان داده بود که جنگ پدیده‌ای قابل پیش‌بینی و پس از آن قابل پیشگیری بود.

برای من که هنوز سال اولی حساب می شدم، کتاب و تحلیل‌های آن جالب توجه بود که چگونه با استفاده از یک روش آماری که البته هنوز درس آن را هم نخوانده بودم، چگونه می‌توان نتایج با اهمیت به دست آورد. سوال آن روز من این بود که اصلاَ کای اسکوئر چه ربطی به جنگ دارد؟

بعدها آموختم که Chi-Square با وجود سادگی آن، یک روش پرکاربرد در مطالعات کیفی است. هنگامی که ما با اعداد و مفاهیم قابل شمارش روبه‌رو نیستیم، مثلاَ داده‌های ما بررسی کیفیت زندگی، جنسیت، مقاطع تحصیلی، نوع صنعت، اثر بخشی درمان و یا حتی اثر بخشی انواع واکسن‌ها است، از آزمون کای اسکوئر استفاده می‌کنیم. در حالت کلی ما در این آزمون به جای مقایسه اعداد و اندازه‌ها، فراوانی‌ها و تعداد رخ‌داد پدیده‌ها را بررسی می‌کنیم.

به عنوان مثال می‌خواهیم بدانیم آیا نحوه حرف زدن و سخنرانی دو فرد با هم متفاوت است یا خیر، آیا آن‌ها از کلمات مشابهی استفاده می‌کنند؟ توزیع فراوانی کلمات به کار رفته توسط هر کدام چگونه است؟

یا به عنوان مثالی دیگر می‌خواهیم بدانیم اثر بخشی هر کدام از واکسن‌ها (مثلاَ کرونا) چقدر است؟ هر نوع واکسن به چند نفر تزریق شده است؟ از بین آن‌ها چه تعداد بیمار شده‌اند و چه تعداد مصون مانده‌اند.

در واقع ما در تمام مطالعاتی که با تعداد، شمارش و فراوانی روبه‌رو هستیم، می‌توانیم از آزمون Chi-Square استفاده کنیم.

من در لینک زیر در سایت گراف پد، سعی کردم به بیان روش انجام، برنامه‌نویسی و تحلیل داده‌های به دست آمده از روش آزمون کای اسکوئر بپردازم.
https://graphpad.ir/spss-chi-square-test-with-pairwise-z-tests/

همچنین در لینک زیر مباحث تئوری و کاربرد این آزمون را بیان کرده‌ام.
https://graphpad.ir/chi-square-graphpad-prism/
متن سخنرانی مهم را می‌دیدم. Ctrl+F زدم در آن جستجو کند.
یک کلمه معیشت ندیدم. کلمه‌ای از گرانی هم.
گیرم شما خیلی تقوا داری و به نان و آبی بسنده می‌کنی. کودکان و زنان خانه‌های گرفتار هم تقوا پیشه کنند؟

تلخی‌ و رنجش آن بود که
“خب امروز حکومت دست پیروان امیرالمؤمنین است”

خدا حفظ کند آن پیرمرد سیستانی در نجف اشرف نشسته را که جمهوری اسلامی را نه یک نظریه فقهی بلکه یک نظریه سیاسی می‌داند و می‌دانست.
#پس_بینی

سال ۱۳۹۵ و در روزهای آغاز مهرماه دوست‌داشتنی، با محقق جوانی در گروه زمین‌شناسی دانشگاه شهید بهشتی آشنا شدم که بر روی ساختار زمین و اصطلاحا ژئولوژی منطقه زاگرس ایران کار می‌کرد.

او با این‌که دختر جوانی بود و با محدودیت‌های خاص خود، با این‌حال با مکان‌نگاری و ژرفاسنجی بر پایه مشاهدات شخصی در مناطق مختلف کوه‌پایه‌های زاگرس که برخی از آن‌ها سخت‌العبور بود، به دنبال اثبات این ایده بود که منطقه زاگرس در روزگاری دور و در برهه‌هایی طولانی از تاریخ، بسیار پربارش، بسیار سرد و دمایی نزدیک به صفر درجه داشته است. در این راه او سنگ‌واره‌ها، کانی‌ها و یافته‌های زمین‌شناسی بسیاری نیز به دست آورده بود.

برای اثبات ایده او، آن هم با زبان اعداد، با یک مشکل بزرگ رو‌به‌رو بودیم. ما می‌بایست با الگویی و یا روشی، دمای هوا در سال‌های دور این منطقه را به دست می‌آوردیم. در حالی که نهایت چیزی که در اختیار وجود داشتثبت داده‌های ایستگاه‌های هواشناسی از سال ۱۹۵۱ در این منطقه بود. هر چند وجود این داده‌ها در نوع خودش بیانگر دقت و توجه مردمان آن زمان به ثبت اعداد و کاربرد آن‌ها در آینده بود، (ایرانی‌ها به نظر می‌رسد از قدیم افرادی عدد دوست بوده‌اند، سیستم ثبت داده‌ها در موضوعات مختلف و قدمت آن در کشور از بسیاری کشورهای جهان سابقه بیشتری دارد.) با این حال اعداد حدود ۷۰ -۶۰ سال پیش، برای مباحث زمین‌شناسی بسیار جوان و تازه به حساب می‌آمد و بیانگر گذشته‌های دور نبود.

آن‌چه ما به صورت معمول می‌شناسیم و می‌دانیم، مفهوم پیش‌بینی و آینده‌نگری است. به معنای این‌که داده‌ها در حال حاضر کجا هستند و قرار است کجا بروند. پاسخ به این سوال که آن‌ها از کجا آمده‌اند واقعاَ سخت و پیچیده است.

امروزه ما چنین سوالی نمی‌پرسیم چون همه چیز ثبت می شود. ما می‌دانیم مثلاَ ده سال پیش ارزش یک کالا چقدر بوده یا قیمت یک محصول و یا فلز خاص به چه اندازه بوده است، چون همه آن‌ها اندازه‌گیری می شوند، اما آیا می‌توانیم به این سوال پاسخ دهیم ده هزار سال پیش دمای هوا در همان منطقه زاگرس چقدر بوده است. سیستم ثبت وقایع و اندازه‌ها وجود نداشته است.

پس چه کنیم؟ آیا راهی وجود دارد که ما گذشته‌نگری کنیم و به جای پیش‌بینی آینده به پس‌بینی گذشته بپردازیم؟
در این زمینه الگوریتم‌هایی وجود دارند که به نظرم مهم‌ترین آن‌ها
Mont Carlo Simulation Method (MCM)

است. البته واضح است آن‌ها نیز با خطا همراه هستند، اما نتایج قابل قبول و قابل اتکایی به دست می‌دهند.

در مطالعه محقق زمین‌شناس نیز از همین متد استفاده شد. نتایج آماری با یافته‌هایی و الگوهایی که
National Weather Service (NWS)

از منطقه زاگرس ایران در اختیار محقق قرار داده بود (البته واضح است که نه به صورت رایگان) مطابقت داده شد.

بر مبنای مدل MCM دما و البته میزان بارش این منطقه از گذشته‌های دور براورد شد. جالب است بدانید منظورم از گذشته‌های دور یعنی از چهل هزار سال پیش تا همان سال ۱۹۵۱ که به عنوان خط صفر قرار داده شد.

با یافتن و براورد اعداد و انطباق آن‌ها با الگوهای NWS، مدل Time Series البته این بار پس‌بین، دما و بارش منطقه زاگرس ایران از چهل هزار سال پیش به دست آمد.

نتایج تاحدود بسیاری تاییدکننده ایده‌های محقق جوان بود. من در ادامه سه گراف برایتان قرار داده‌ام. همان داده‌های سری زمانی MCM از دما، بارش و اثرمتقابل بین دما و بارش در منطقه زاگرس ایران از چهل هزار سال پیش. هر نقطه در نمودارها هم بیانگر صد سال است. در محور افقی، تایم و زمان قرار دارد. نقطه شروع ۴۰ هزار سال پیش است.
گراف گذشته نگر دمای هوا در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
گراف گذشته نگر میزان بارش در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
گراف گذشته نگر اثر متقابل دمای هوا و میزان بارش در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
در ریسرچ گیت، معمولاَ اهالی کشور افغانستان در تاپیک‌ها یا جلسات حرف نمی‌زنند. من تا به حال ندیدم. یعنی نه سوال می‌پرسند و نه جواب می‌دهند. فقط گوش می‌دهند. در بسیاری از تاپیک‌های ریسرچ گیت در هر فن و رشته‌ای وارد می‌شوند و آرام گوشه‌ای می‌نشینند.

چون با آن‌ها تا حدی ارتباط دارم می‌گویم، در افغانستان یک طبقه جوان حدود ۲۰ تا ۳۰ سال در حال شکل‌گیری است. به شدت از طرف خانواده‌هایشان با هر سطح درآمدی و فرهنگی، حمایت و پشتیبانی می‌شوند. خانه اگر نان نداشته باشد ایرادی ندارد، اولادش باید مدرسه برود، دانشگاه برود و درس بخواند. کار آن‌ها فقط یک چیز است. درس بخوانند و یاد بگیرند. با یکدیگر ازدواج می‌کنند و از همدیگر می‌آموزنند و مهمتر از همه بسیار با هم مهربان هستند.

اینها را گفتم که اگر سال‌های بعد سر از دیوار خانه خودمان بیرون آوردیم و دیدیم خانه همسایه شرقی چقدر آباد شده، نگوییم از کجا و چگونه. کار همین جوان‌های امروز افغانستان است. در کابل و قندهار و البته زیباتر از همه مزار شریف.