Bayesian Estimation of Possibly Similar Yield Densities: Implications for Rating Crop Insurance Contracts
Notice bibliographique
Résumé
The Agricultural Act of 2014 solidified insurance as the cornerstone of U.S. agricultural policy. The Congressional Budget Office (2014) estimates that this act will increase spending on agricultural insurance programs by $5.7 billion to a total of $89.8 billion over the next decade. In light of the sizable resources directed toward these programs, accurate rating of insurance contracts is of the utmost importance to producers, private insurance companies, and the federal government. Unlike most forms of insurance, agricultural insurance is plagued by a paucity of spatially correlated data. A novel interpretation of Bayesian Model Averaging is used to estimate a set of possibly similar densities that offers greater efficiency if the set of densities are similar while seemingly not losing any if the set of densities are dissimilar. Simulations indicate that finite sample performance—in particular small sample performance—is quite promising. The proposed approach does not require knowledge of the form or extent of any possible similarities, is relatively easy to implement, admits correlated data, and can be used with either parametric or nonparametric estimators. We use the proposed approach to estimate U.S. crop insurance premium rates for area‐type programs and develop a test to evaluate its efficacy. An out‐of‐sample game between private insurance companies and the federal government highlights the policy implications for a variety of crop‐state combinations. Consistent with the simulation results, the performance of the proposed approach with respect to rating area‐type insurance—in particular small sample performance—remains quite promising.
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 | 0,018 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».