我的數據中有一個變量缺少80％的數據。由於不存在（即公司欠多少銀行貸款）而導致數據丟失。我碰到一篇文章，說偽變量調整方法是解決此問題的方法。意味著我需要將此連續變量轉換為分類變量？
這是唯一的解決方案嗎？從理論上講，我不想刪除此變量，這對我的研究問題很重要。
數據是在未知的意義上“丟失”還是僅表示沒有貸款（因此貸款金額為零）？聽起來像是後者，在這種情況下，您需要一個 additional 二進制虛擬對像以指示是否有貸款。不需要對貸款金額進行任何轉換（也許除了連續重新表達外，例如根目錄或開始的日誌，可以通過其他考慮來表示）。
回歸。一個簡單的示例是以下格式的概念模型：
$$ \ text {因變量（Y）=貸款金額（X）+常數。} $$
貸款指標（$ I $），則回歸模型為
$$ Y = \ beta_I I + \ beta_X X + \ beta_0 + \ epsilon $$
，帶有$ \ epsilon $表示期望值為零的隨機錯誤。係數解釋為：
$ \ beta_0 $是無貸款情況下對$ Y $的期望，因為它們的特徵是$ X = 0 $和$ I = 0 $。
$ \ beta_X $是$ Y $相對於貸款金額（$ X $）的邊際變化。
$ \ beta_I + \ beta_0 $是案例的截距貸款。
我認為您誤解了本文的建議：主要是因為該建議沒有任何意義。然後，您將遇到兩個問題：如何重新編碼變量，並且變量值仍然丟失。可能的建議是創建一個缺失指標。
一種與鬆散匹配此描述的處理丟失數據的方法有些相關，那就是針對缺失指標進行調整。這當然是一種簡單易行的方法，但總的來說是有偏見的。偏見的弊端是無限的。這實際上是對兩個模型進行擬合併將它們的效果平均在一起：第一個模型是完全條件模型，第二個模型是完全因子模型。完全條件模型是完整的案例模型，其中刪除了每個缺失值的觀察值。因此，它適合20％的數據子集。第二個是對剩餘的80％的擬合，根本不調整缺失值。當沒有不可度量的交互作用，鏈接功能可折疊以及數據隨機丟失（MAR）時，此邊際模型估計的效果與完整模型相同。然後將這些效果通過加權平均值合併。即使在理想條件下，也沒有不可測的相互作用，並且在隨機（MCAR）數據中完全丟失，由於邊緣模型和條件模型估計的效果不同，所以缺少指標方法會導致偏差的產生。在這種情況下，甚至預測都是有偏差的。
更好的選擇是只使用多重插補。即使以非常低的患病率來衡量最缺失的因素，MI仍然可以很好地生成可能值的複雜實現。這裡唯一必要的假設是MAR。