本站影响最大的规则，处理的是那些没有出现的数字。若错误处理空缺，每个评分都会变成对我们自身勤奋程度的衡量，而不是对供应商行为的衡量。
缺失由两条规则管理。第一条：无证据，不评分。 一项事实只有附带第一手来源引用时才能进入评分规则，因此引用列表为空的事实根本无法创建；没有办法把无支持的说法偷偷送进计算。第二条由此推出：完全没有证据的维度会从加权平均中 排除，而不是记为零。
为什么缺失不能等于零
把空缺记为零，意味着因为我们 没有完成的工作而惩罚供应商。更糟的是，它会系统性奖励我们研究最少的供应商：我们掌握的档案越薄，仅仅因为没有查看，它就躲过越多零分。整个模型正是为了避免这种失败。因此完全没有事实的维度既不是 0，也不是 10，而是没有数值，并从平均值中退出。
这条规则的代价是分数不会自动可比，而我们公开承担这个代价。每个维度都有覆盖率，表示多少规则有证据可用；每个展示分都有 已评分权重。一个在方法论 72% 权重上得到 8.4 的分数，表示其余 28% 没有数据，页面会在数字旁明确说明。区间下限也在结构上作出同样承认：它把所有未测项目记为零，所以它确实把缺失当作没有贡献，但只作为排名所用的下限，绝不作为打印在展示分上的惩罚。
我们留下的空缺，与供应商留下的空缺
两种缺失外表相似，性质却不同。notAssessed 是我们的空缺：我们还没有查看。 notDisclosed 是带引用的负面事实：我们查看了，而供应商没有披露该事项；它是可评分发现，并引用那个没有提及相关事项的页面。缺失数据不惩罚规则保护前者，却绝不能悄悄放过后者，因为后者是供应商应承担的真实负面。
诚实的限制
这里存在一个漏洞，我们宁愿主动说出。在归一化维度中，第二条原则“缺失数据绝不降低分数”会变成“缺失数据会提高比例”。归一化得分等于所得分除以可得分，而且只计算有证据的规则。删除该维度中的单条引用，分母会和分子一起缩小，比例可能反而上升。区间和支配规则关闭了归一化制造排名的渠道，却仍留下这条引用渠道。
真正关闭它的是发布门槛，而不是算术属性：供应商只有在已评分维度不存在未评估空缺时才可发布，所以删除引用来抬高比例会重新打开空缺并阻止页面发布。我们称它为“门槛”，而不是“保证”，因为它确实只是门槛。
贯穿全文的结论只有一句：在本站，“无证据”陈述的是我们工作能力的边界，绝不是对供应商的指控。因此它可以让评分无法达到确定状态，却永远不能作为处罚把评分压低。