Modeling International Trade of Forest Products: Application of PPML to a Gravity Model of Trade
Notice bibliographique
Résumé
To model international trade of forest products we use a gravity model of trade. In modeling trade, we estimate the impact of importer gross domestic product (GDP), exporter GDP, and distance between trading partners using Poisson pseudo-maximum likelihood (PPML). When estimating the log-linearized gravity model (ordinary least squares [OLS]), two issues arise. First, potential bias associated with truncation of all zero-trade observations due to the nonexistence of the natural log of zero. Second, heteroscedasticity can bias results from the log-linearized gravity model because of the multiplicative error term of the stochastic gravity model. To address these two issues, we propose avoiding the log-linearized gravity model and instead estimate the nonlinear gravity model via PPML. To estimate the model, trade data are compiled from the Food and Agriculture Organization of the United Nations. The observation window is from 1997 to 2014 and covers 13 product categories at a country-pair level. In our estimation, we find systematic differences in estimates from OLS in comparison with estimates from PPML. Using the estimated elasticities, in combination with estimates of future GDP from shared socioeconomic pathways, we project future US exports to the year 2030 for each item category in addition to total exports for Brazilian wood pulp, New Zealand industrial roundwood, and Canadian coniferous sawnwood. Using our approach, we provide a tool for policy makers and industry leaders alike to make informed decisions over prior estimates of forest product trade.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».