Can Normality of Yields Be Assumed for Crop Insurance?
Notice bibliographique
Résumé
Normality of crop yield residuals pooled to the state and regional level is examined using a procedure that accounts for trend and heteroscedasticity. Normality tests are conducted using farm‐level yield data from over 200,000 producers of six crops in seven U.S. states. The results indicate consistent non‐normality of crop yields. The effects of assuming normality on insurance premium rates are examined. Assuming normality is found to generate premiums that can differ substantially from premiums derived using data‐based empirical distributions. Montana Agricultural Experiment Station Journal Series No. 2001‐7. The Risk Management Agency, USDA, also provided support for this research. The views expressed herein are the authors' and do not necessarily represent those of Montana State University or the Risk Management Agency. Les auteurs ont analysé la normalité du rendement résiduel des cultures à l'échelon de l'État et à l'échelon régional au moyen d'une méthode tenant compte des conjectures et de l'hétéroscédasticité. Ils ont utilisé les données sur le rendement fournies par plus de 200 000 cultivateurs produisant six cultures dans sept États américains pour effectuer des tests de normalité. Les résultats révèlent l'anormalité constante des rendements. Les auteurs s'interrogent sur les conséquences d'une normalité hypothétique sur les primes d'assurance. En supposant des rendements normaux, on obtient des primes sensiblement différentes de cedes calculées avec une distribution empirique des données.
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 | 0,053 | 0,303 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».