A Relational Model for Predicting Farm-Level Crop Yield Distributions in the Absence of Farm-Level Data
Notice bibliographique
Résumé
Individual farm-level expected yields serve as the foundation for crop insurance design and rating. Therefore, constructing a reasonable, accurate, and robust model for the farm-level loss distribution is essential. Unfortunately, farm-level yield data is often insufficient or unavailable in many regions to conduct sound statistical inference, especially in developing countries. This paper develops a new two-step relational model to predict farm-level crop yield distributions in the absence of farm yield losses, through "borrowing" information from a neighbouring country, where detailed farm-level yield experience is available. The first step of the relational model defines a similarity measure based on a Euclidean metric to select an optimal county, considering weather information, average farm size, county size and county-level yield volatility. The second step links the selected county with the county to be predicted through modeling the dependence structures between the farm-level and county-level yield losses. Detailed farm-level and county-level corn yield data in the U.S. and Canada are used to empirically examine the performance of the proposed relational model. The results show that the approach developed in this paper may be useful in improving yield forecasts and pricing in the case where farm-level data is limited or not available. Further, this approach may also help to address the issue of aggregation bias, when county-level data is used as a substitute for farm-level data, which tend to result in underestimating the predicted risk relative to the true risk.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».