“标记方法”——通常称为“虚拟变量方法”或“指标变量方法”——主要用于编码具有不适用值的预测变量。它可用于对具有缺失值的预测变量进行编码；当您有兴趣对新数据集进行预测而不是对参数进行推断时，并且当您要进行预测的样本中假定缺失机制相同时。

问题是您正在拟合一个不同的模型，其中非缺失斜率不等于所有预测变量都非缺失的模型中的“真实”斜率。^†参见例如 Jones (1996), “Indicator and Stratification Methods for Missing Explanatory Variables in Multiple Linear Regression”, JASA , 91 , 433。（一个例外是在预测变量设计为正交的实验研究中。）

请注意，对于最大似然过程，您可以将缺失值设置为任意数字，而不仅仅是零。

† 假设感兴趣的模型是

$$\eta=\beta_0 + \beta_1 x_1 + \beta_2 x_2$$ 其中是线性预测器。现在引入作为中缺失的指标：模型变为$\eta$$x_3$$x_2$

$$\eta=\beta'_0 + \beta'_1 x_1 + \beta'_2 x_2 + \beta'_3 x_3$$

当没有丢失时，您将设置为： $x_2$$x_3$$0$

$$\eta=\beta'_0 + \beta'_1 x_1 + \beta'_2 x_2$$

当丢失时，您将设置为 &设置为任意常数： $x_2$$x_3$$1$$x_2$$c$

$$\eta=\beta'_0 + \beta'_1 x_1 + \beta'_2 c + \beta'_3$$

显然，当缺失时，的斜率不再以为条件；整体是条件斜率和边际斜率的平均值。一般来说。$x_2$$x_1$$x_2$$\beta'_1$$\beta'_1 \neq \beta_1$

在回归过程中没有办法“忽略”缺失的数据。您可以估算缺失的数据，并且有很多关于 Crossvalidated 主题的参考文章。您描述的方法与我知道的程序不匹配。

我会提醒您不要用任意值（如 1、0、特征的平均值等）替换缺失值。数据缺失，不宜随意填写。

我采用的通常效果很好的方法是检查您的功能。您的一些特征很可能包含大量丢失的数据。如果是这种情况，请丢弃它们。尽管拥有更多功能通常很好，但如果其中大部分数据缺失，它们无论如何也不会增加太多价值。删除了缺失值最多的特征后，您现在可以删除包含剩余缺失值的行。通常这会给你留下足够的样本量。如果不是，请考虑插补技术。