Stochastic Biases in Technical Change in U.S. Agriculture: A Bootstrap Approach
Notice bibliographique
Résumé
Having argued that the modeling of technical change as a smooth deterministic function of time is likely to misrepresent the true nature of technical change, this paper reexamines biased technical change in U.S. agriculture using a system of share equations with unobserved components errors, with technology treated as a stochastic unobserved variable. Employing data to represent the aggregate output and input of the U.S. agricultural sector over the period 1947–94, significant factor biases were found that appear to be linearly independent and do not appear to be smooth and deterministic. Technical change in U.S. agriculture appears to have been biased toward saving expenditure on labor at the expense of expenditure on intermediate inputs, with some small saving on the expenditure on capital inputs over the entire period 1947‐94. The paper also employs a bootstrapping approach in order to obtain finite sample tests with approximately the correct size under less stringent assumptions about the data generating process than assumed by maximum likelihood (ML) based approaches. Using these finite sample values significantly alters the conclusions reached regarding the nature of technical change. Après avoir démontré que la modélisation du changement technique par une fonction lissée déterministe du temps peut ne pas représenter correctement sa vraie nature, cet papier re‐examine le biais du changement technique dans l'agriculture américaine à partir d'un systè d'équations de parts avec des erreurs non observées et une technologie traitée comme une variable stochastique non observée. A partir de données représentant la production et les intrants agrégés dans le secteur agricole américain sur la période 1947–1994, nous constatons que les biais significatifs sont indépendants linéairement et qui ne sont pas des fonctions déterministes lissées du temps. Le changement technique dans l'agriculture américaine est biaisé en faveur des réductions de dépenses de travail aux dépends des dépenses sur les intrants intermédiaires et montre quelques économies sur les dépenses de capital sur la période 1947‐1994. L'emploi des techniques de bootstrapping permet d'obtenir des tests sur échantillons finis avec des hypothèses moins exigeantes que celles imposées par les approches de maximum de vraisemblance. Les conclusions obtenues à partir de ces tests sont significativement différentes que celles obtenues par les méthodes traditionnelles concernant le changement technique.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».