Python StatsModels Patsy解决方案，使用模型外参数进行预测

Question

我正在对按年份细分的抵押贷款数据面板进行回归分析。所有的变量都是分类的虚拟变量。在某些年份，抵押贷款的某些特征或特征可能在其他年份不存在，因此我得到如下错误：

 PatsyError: Error converting data to categorical: observation with value 'Null/Invalid' does not match any of the expected levels (expected: ['Conventional', 'FHA', 'Other Non-Government Loan', 'VA'])
net_gnma_rate ~ C(origination_month) + C(Mortgage_FICO_Bins, Treatment("(720, 900]")) * C(Mortgage_LTV_Bins, Treatment("(0, 80]")) + C(alt_loantype, Treatment("Conventional")) + C(conforming_mtge, Treatment("conforming")) + C(alt_lien, Treatment("1st Lien")) + C(doctype, Treatment("Full Documentation")) + C(alt_occ, Treatment("Owner Occupied")) + C(altpmi3, Treatment("No PMI")) + C(units, Treatment("1 unit"))

有没有什么方法可以在StatsModels预测工具的构造中为不存在的变量插入一个β系数，最好是上一年的β系数。例如：

^{pr2}$

如果我对2012.predict（data2013）进行建模，则会出现一个错误，因为2013年C类贷款有观测值和回归因子，但2012年没有。然而，我想在使用2012年参数预测2013年数据时假设C类贷款的2011年贝塔系数。在

如何做到这一点？如有任何意见，我们将不胜感激。在