Je vais réaliser une étude de simulation d'imputation de valeurs manquantes en utilisant le machine learning

Si vous avez besoin d’amputer (introduire) des données manquantes (MCAR, MAR, MNAR), d’effectuer une imputation masquée et d’évaluer les estimations de paramètres secondaires pour comparer la performance des algorithmes (kNN, MICE, MissForest/RF, XGBoost, rpart), n’hésitez pas à me contacter pour une offre personnalisée.

Offre Générique :

Je propose une imputation fiable des valeurs manquantes et des valeurs aberrantes en utilisant à la fois des méthodes d’apprentissage automatique et de statistiques, adaptées à la structure de vos données et à vos objectifs de recherche. Mon processus de travail est entièrement reproductible dans R, avec des diagnostics précis avant et après l’imputation.

Imputation des valeurs manquantes :

• Imputation par kNN
• Imputation par hot-deck
• Imputation par modèles de régression (modèles linéaires)
• Imputation par arbre de régression (rpart)
• Imputation itérative robuste basée sur un modèle (IRMI)
• Support complet pour des données multivariées et de types mixtes (MICE)

Traitement des valeurs aberrantes (VIM & méthodes robustes) :

• Winsorisation
• Détection basée sur boxplot / IQR
• Gestion robuste des distances et des valeurs aberrantes multivariées

Options basées sur ML (lorsque approprié) :

• Imputation par Random Forest
• Imputation par XGBoost
• Correspondance de la moyenne prédictive & approches hybrides

Vous recevrez des données nettoyées, une justification claire de la méthode, des visualisations et des scripts R optionnels pour assurer transparence et réutilisation.