On the Treatment of Heteroscedasticity in Crop Yield Data
Notice bibliographique
Résumé
Abstract In empirical applications with crop yield data, conditioning for heteroscedasticity is both important and challenging. It is important because the scale of the distribution can markedly influence the results, and challenging because statistical tests for the common heteroscedasticity assumptions (constant or proportional variance) often lead to ambiguous conclusions. Alternatively, Harri et al. (2011) proposed a methodology that estimates the degree of heteroscedasticity, removing the need to make a specific assumption. Such approaches assume that volatility changes are symmetric (identical) across tails of the yield distribution. We propose a generalization to the Harri et al. (2011) methodology, which allows asymmetry between the tails, akin to the generalization of GARCH to AGARCH. Using U.S. county level yield data from 1951–2017, we find evidence of asymmetry in corn and soybean, but not wheat. Moreover, the asymmetry takes a particular form—increasing volatility in the lower tail. To investigate economic significance, we consider the effect of imposing symmetric heteroscedasticity in rating crop insurance contracts, as currently done by the USDA's Risk Management Agency in rating their Area Risk Protection products. We find that relaxing the symmetry assumption leads to economically and statistically significant rents. Our results suggest that the Risk Management Agency and others should consider the possibly asymmetric nature of heteroscedasticity in crop yield data.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».