Ich führe eine Simulation zur Imputation fehlender Werte mit ML durch

Wenn du fehlende Daten amputieren (einführen) musst (MCAR, MAR, MNAR), maskierte Imputation durchführen möchtest und sekundäre Parameter-Schätzungen bewerten willst, um die Algorithmusleistung zu vergleichen (kNN, MICE, MissForest/RF, XGBoost, rpart), kontaktiere mich für ein individuelles Angebot.

Allgemeines Angebot:

Ich biete zuverlässige Imputation fehlender Werte und Ausreißer mit maschinellem Lernen und statistischen Methoden an, maßgeschneidert auf deine Datenstruktur und Forschungsziele. Mein Workflow ist vollständig reproduzierbar in R, mit sorgfältigen Diagnosen vor und nach der Imputation.

Imputation fehlender Werte:

• kNN-Imputation
• Hot-deck-Imputation
• Regressionbasierte Imputation (lineare Modelle)
• Regressionsbaum-Imputation (rpart)
• Iterative robuste modellbasierte Imputation (IRMI)
• Vollständig multivariate, gemischte Datentypen Unterstützung (MICE)

Ausreißerbehandlung (VIM & robuste Methoden):

• Winsorisierung
• Boxplot / IQR-basierte Erkennung
• Robuste Distanz- & multivariate Ausreißerbehandlung

ML-basierte Optionen (wenn passend):

• Random Forest Imputation
• XGBoost Imputation
• Predictive Mean Matching & Hybridansätze

Du erhältst gereinigte Daten, klare Methodenerklärung, Visualisierung und optionale R-Skripte für Transparenz und Wiederverwendbarkeit.