我明白你遇到的问题了——明明所有预测变量都没有缺失，但Proc GLM的output语句就是没生成因变量缺失观测的预测值。这其实是Proc GLM的默认行为导致的：

默认情况下，Proc GLM会自动剔除任何因变量（dv）存在缺失值的观测，不管你的预测变量是否完整。这些被剔除的观测不会参与模型拟合，自然也不会出现在output生成的testx数据集中。

下面给你两种可靠的解决方法，都能帮你得到所有观测（包括dv缺失的）的预测值：

方法1：使用Proc GLM + Proc Score #

先拟合模型并保存模型信息，再用Proc Score对全量观测生成预测值：

/* 第一步：拟合模型并保存模型参数到数据集 */
proc glm data=test outmodel=glmmodel;
    class a;
    model dv = a b c / solution;
run;
quit;

/* 第二步：对原始数据集的所有观测生成预测值 */
proc score data=test score=glmmodel out=testx predicted=pred;
    var b c; /* 这里填写所有连续型预测变量，分类变量a会由模型自动处理 */
run;

执行完这段代码后，testx就会包含test中的所有观测，包括dv缺失的那些，对应的pred列就是预测结果。

方法2：使用Proc GLM + Proc PLM（推荐，SAS 9.2及以上版本支持） #

Proc PLM是SAS专门用于模型后续应用的过程，操作更直观：

/* 第一步：拟合模型并保存到itemstore */
proc glm data=test;
    class a;
    model dv = a b c / solution;
    store glmmodel; /* 将模型保存为itemstore格式 */
run;
quit;

/* 第二步：调用保存的模型，对全量观测生成预测值 */
proc plm restore=glmmodel;
    score data=test out=testx predicted=pred;
run;

这个方法的优势是itemstore会保存更完整的模型信息，后续如果需要做其他分析（比如预测区间、残差分析）也更方便。

为什么原来的代码不行？ #

再强调一下：你的原始代码中，proc glm在拟合阶段就把dv缺失的观测过滤掉了，output语句只能输出那些参与了模型拟合的观测，所以自然看不到dv缺失行的预测值。而上面的两种方法都是先基于有效观测拟合模型，再把模型应用到所有观测上，完美解决了这个问题。

内容的提问来源于stack exchange，提问作者DJohnson