Notice bibliographique
Résumé
Trade data across multiple databases experience unavailability across some countries/forestry products, inconsistency, and unreliability; and these qualities manifest as discrepancies in the data. Literature provides evidence of discrepancies and inconsistencies within international trade statistics, including documented cases in which they are present within agriculture sector trade. While researchers have worked to pinpoint factors to explain discrepancies, studies on the forestry trade databases are not as prevalent. Therefore, more research needs to be conducted to identify discrepancies within forest sector products trade data to understand the nature of discrepancies found between different bilateral trading partners. The goal of this thesis is to identify and analyze discrepancies in forestry trade data found in bilateral trade series sets for the United States and its top trade partners of forestry products. Discrepancies will be identified using simple mathematical formulations and compared across trade flows and forestry products. Then a unique time-series trade data discrepancy analysis approach is conducted to estimate the nature of trade data discrepancies. The thesis aims to provide a framework for proceeding researchers to utilize in order to apply time-series analysis techniques to trade data discrepancies across any product and country. It also aspires to fill in gaps in the literature of trade data discrepancy analyses that examine forestry product trade data. Results indicate that discrepancies are present between the bilateral import and export quantity statistics for industrial roundwood, sawnwood, plywood and wood chips and particles for the trade flows from Canada to the U.S, Brazil to the U.S, China to the U.S, the U.S. to China, the U.S. to Japan, and the U.S. to the U.K. Augmented Dickey Fuller (ADF) and cointegration tests reveal that each unique time series bilateral trade quantity pair exhibits unique data generating processes. Therefore, estimating the discrepant relationship between bilateral import and export quantities of forestry products does not follow one clear cut method; but most discrepancies can be estimated through simple or multiple linear regressions, vector error correction models (VECM), or auto-regressive distributed lag error correction models (ARDL ECM).
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 | 0,012 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».