在进行数据分析和撰写学术论文时，如何处理缺失值取决于缺失数据的性质以及研究的具体需求。并不是所有的缺失值都必须被删除或填补。以下是一些考虑因素：

1. **缺失机制**：首先需要判断缺失值是随机缺失（MCAR）、条件随机缺失（MAR）还是非随机缺失（NMAR）。如果数据是MCAR，即数据的缺失与任何观测变量无关，则简单的删除或填充可能不会引入显著偏差。如果是MAR，可以根据相关变量进行预测填补，而NMAR通常需要更复杂的处理方法。

2. **缺失比例**：如果缺失值的比例很小，比如低于5%，那么可以考虑直接删除包含缺失值的样本（列表法），尤其是在数据量较大的情况下。但是，当缺失比例较高时，简单删除可能会导致样本偏差和统计功效降低。

3. **变量的重要性**：对于关键的自变量或因变量，尤其是那些对研究假设至关重要的变量，必须谨慎处理其缺失值。可能需要采用多重填补、回归预测填充等更复杂的策略。

4. **分析方法**：不同的数据分析方法对缺失数据的敏感性不同。例如，一些基于距离的方法（如聚类分析）对于缺失值非常敏感，而其他方法（如贝叶斯统计模型）可以自然地处理不完整数据。

5. **可重复性和透明度**：在学术研究中，清晰说明如何处理缺失值是至关重要的。这不仅有助于增强结果的可靠性，还便于他人复现你的分析。

针对你的情况，如果发现描述性统计中的样本量不一致主要由于少量变量存在缺失值，并且这些缺失值的比例不大，可以通过多种策略（如列表法、平均数/中位数填充、回归预测等）进行处理。但是，在进行任何操作之前，应该评估并记录缺失数据的性质和原因。

如果缺失比例较高或关键变量有大量缺失，可能需要重新考虑分析方案，甚至考虑数据收集阶段可能存在的问题。在决定是否“保留”这些数据时，请务必参考上述原则，并确保你的选择合理地反映在论文的方法部分中，以增强研究的有效性和透明度。修改实证工作可能会比较麻烦，但如果这能提高结果的准确性和可靠性，则是值得的。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用