之前我已经发布了这个问题，但我相信我没有很好地解释这个问题并且它过于复杂，所以我删除了我之前的帖子，而是发布了这个问题。如果这给您带来任何不便，我很抱歉。
我也提前道歉，因为我无法提供示例数据，我使用的是非常大的表，而我想要做的事情可以用更简单的示例工作，因此提供示例数据无济于事。它一直对我有用，直到现在。所以我只是试图了解可能存在的问题。但如果有任何方法可以提供更多信息，请告诉我。
所以，我有一个对应于响应变量的向量和一个预测变量表。响应向量是数字，预测变量（表的列）是二进制格式（0和1）。
我使用响应向量和预测变量表运行glm函数（多元线性回归）：
fit <- glm(response ~ as.matrix(predictors), na.action=na.exclude)
coeff <- as.vector(coef(summary(fit))[,4])[-1]
当我过去这样做的时候，我会提取回归系数的向量，以便进一步分析。
问题在于，现在回归返回一个缺少某些值的系数向量。基本上一些预测变量根本不归因于glm的系数。但是没有错误消息。
模型的摘要看起来很正常，但是我提到的一些预测变量缺失了。大多数其他预测变量都分配了数据（系数，p值等）。 模型中缺少约30个预测变量，超过200个。
我尝试过使用不同的响应变量（向量），但是我遇到了同样的问题，尽管缺失的预测变量因响应向量而异...
有关可能发生的事情的任何想法？我认为如果某些变量的方差为0，就会发生这种情况，但我已经检查过了。表中也没有NA值和缺失值。
什么可能导致glm忽略/删除一些预测变量？
欢迎任何建议！
编辑：我发现删除的预测变量的值与另一个预测变量相同。仍然应该有一种方法来保留它们，并且它们将获得相同的回归系数，例如
答案 0 :(得分：1)
您的编辑解释了为什么您没有获得这些变量。那将是我的第一个问题。 （这个问题最好在Cross验证时提出，因为它不是R错误，这是你模型的一个问题。）
他们不会得到相同的系数：假设你有一个1：1的关系，Y = X + e，那么适合简单的模型Y ~ X + X。每个X将被赋予任何值，使得总和等于1.没有解决方案。 Y = 0.5X + 0.5X对我们来说可能是最明显的，但Y = 100X -99X同样有效。
由于同样的原因，你也不能有任何预测因子是其他预测因子的线性和。
如果您真的想要这些值，您可以根据自己的价值生成它们。但是我不推荐它，因为这些假设将会非常薄弱。