Ik voer een missende waarde imputatie simulatiestudie uit met behulp van ML

Als je missende data wilt amputeren (introduceren) (MCAR, MAR, MNAR), gemaskerde imputatie wilt uitvoeren en secundaire parameter schattingen wilt evalueren om de prestaties van algoritmes te vergelijken (kNN, MICE, MissForest/RF, XGBoost, rpart), neem dan contact met me op voor een op maat gemaakte offerte.

Algemene aanbieding:

Ik bied betrouwbare missende waarde en outlier imputatie aan met behulp van zowel machine learning als statistische methoden, afgestemd op jouw data structuur en onderzoeksdoelen. Mijn werkwijze is volledig reproduceerbaar in R, met zorgvuldige diagnostiek voor en na imputatie.

Missende waarde imputatie:

• kNN imputatie
• Hot-deck imputatie
• Regressie-gebaseerde imputatie (lineaire modellen)
• Regressiebomen imputatie (rpart)
• Iteratieve robuuste model-gebaseerde imputatie (IRMI)
• Volledige ondersteuning voor multivariate, gemengde data (MICE)

Outlier behandeling (VIM & robuuste methoden):

• Winsorization
• Detectie op basis van boxplot / IQR
• Robuuste afstand & multivariate outlier aanpak

ML-gebaseerde opties (indien passend):

• Random Forest imputatie
• XGBoost imputatie
• Predictive mean matching & hybride benaderingen

Je ontvangt gezuiverde data, duidelijke methodeverantwoording, visualisaties en optioneel R-scripts voor transparantie en hergebruik.