MétaCan
Menu
Retour à la cohorte
Enregistrement W1906733701 · doi:10.3386/w21681

Maybe Next Month? Temperature Shocks, Climate Change, and Dynamic Adjustments in Birth Rates

2015· report· en· W1906733701 sur OpenAlexaff
Alan Barreca, Olivier Deschênes, Melanie Guldi

Notice bibliographique

RevueNational Bureau of Economic Research · 2015
Typereport
Langueen
DomaineSocial Sciences
ThématiqueDemographic Trends and Gender Preferences
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésClimate changeClimatologyEnvironmental scienceEconomicsGeographyOceanographyGeology

Résumé

récupéré en direct d'OpenAlex

Dynamic adjustments could be a useful strategy for mitigating the costs of acute environmental shocks when timing is not a strictly binding constraint.To investigate whether such adjustments could apply to fertility, we estimate the effects of temperature shocks on birth rates in the United States between 1931 and 2010.Our innovative approach allows for presumably random variation in the distribution of daily temperatures to affect birth rates up to 24 months into the future.We find that additional days above 80 °F cause a large decline in birth rates approximately 8 to 10 months later.The initial decline is followed by a partial rebound in births over the next few months implying that populations can mitigate the fertility cost of temperature shocks by shifting conception month.This dynamic adjustment helps explain the observed decline in birth rates during the spring and subsequent increase during the summer.The lack of a full rebound suggests that increased temperatures due to climate change may reduce population growth rates in the coming century.As an added cost, climate change will shift even more births to the summer months when third trimester exposure to dangerously high temperatures increases.Based on our analysis of historical changes in the temperature-fertility relationship, we conclude air conditioning could be used to substantially offset the fertility costs of climate change.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,487
Tête enseignante GPT0,542
Écart entre enseignants0,054 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetDemographic Trends and Gender PreferencesTravaux en français237 207