Questa tesi esplora l'efficacia dei modelli MICE e delle tecniche di machine learning nell'imputazione di dati mancanti in contesti complessi. Attraverso l'analisi di metriche specifiche e l'applicazione su dati reali, la ricerca evidenzia differenze significative nelle performance di entrambi gli approcci. I risultati forniscono indicazioni preziose per la scelta di metodologie adeguate in scenari complessi, migliorando la gestione di dati incompleti nelle analisi.
Strategie di Imputazione in Ambiti Complessi: Studio Comparativo tra Modelli MICE e modelli di Machine Learning
VENUTO, LUIGI
2023/2024
Abstract
Questa tesi esplora l'efficacia dei modelli MICE e delle tecniche di machine learning nell'imputazione di dati mancanti in contesti complessi. Attraverso l'analisi di metriche specifiche e l'applicazione su dati reali, la ricerca evidenzia differenze significative nelle performance di entrambi gli approcci. I risultati forniscono indicazioni preziose per la scelta di metodologie adeguate in scenari complessi, migliorando la gestione di dati incompleti nelle analisi.File in questo prodotto:
File | Dimensione | Formato | |
---|---|---|---|
Venuto_Luigi.pdf
accesso aperto
Dimensione
1.58 MB
Formato
Adobe PDF
|
1.58 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
Utilizza questo identificativo per citare o creare un link a questo documento:
https://hdl.handle.net/20.500.12608/64216