一般来说，两者都不合适。整数是离散的，不是连续的，但是将它们视为名义类别会丢弃大部分信息，甚至将它们视为序数可能会丢失很多。

在某些情况下，一种或另一种可能没问题，但将它们按原样处理几乎总是更好 - 例如，如果数据是计数，则使用适合计数的分析。

例如，假设您想对计数数据执行回归；有许多计数回归模型，包括（但不限于）泊松、二项式和负二项式回归。

在整数 IV（预测器）的情况下，不需要对整数做任何事情，就像对某些连续预测器做任何事情一样——至少不是基于它们是整数。

在整数预测变量和连续预测变量的情况下，关键是您对预测变量如何与响应相关的理解（无论是从理论、先前的研究还是其他方式），而不是它们是整数的事实。

这真的取决于上下文。

如果整数变量有一些固有的顺序，例如它可能是颜色，其中较低的数字表示“较深的阴影”，较高的数字表示“较浅的阴影”，那么将其视为连续变量几乎肯定是更可取的。这不仅更有意义，而且您从模型中消除了大约 200 个变量，这是一个巨大的好处。

另一方面，如果这些整数没有固有的顺序，例如它们代表一块土地，那么它们应该被视为一个分类变量。将它们视为连续变量是没有意义的，因为它的值与您感兴趣的变量的属性无关。

您不需要执行您所说的 2 中的任何一个。你能做的就是回归。在 glm 的 R 中，您可以选择设置家庭属性，您可以设置您的偏好。例如，当您考虑正常回归 family = gaussian 并且如果您想要计数类型的目标变量，正如您在问题中解释的那样，那么我认为您需要将其设置为二项式（请检查一次），但是是的，这就是您的模型将如何考虑您的目标为计数类型，而不是连续或分类。