Notice bibliographique
Résumé
Abstract. The standard trend model for measuring climate warming assumes error terms are mean-reverting and stationary. But the climate econometrics literature has argued that if anthropogenic forcing is a dominant driver of climate, temperature trends must have nonstationary (unit root) error terms, which may be considered a “fingerprint” for anthropogenic forcing. Herein we explain this paradox and apply some tools from time series econometrics to resolve it. We formalize a previously proposed hypothesis for why past results have been unclear, namely that temperatures contain both a nonstationary forcing component and a stationary “weather noise” component that may bias unit root tests towards over-rejection. Our analysis yields a diagnostic method for assessing whether this problem matters in practice. We apply unit root tests to observed and modeled temperature series at surface and tropospheric layers. We find observed temperatures are stationary around a trend after allowing for a single structural break in trend, with no evidence of testing bias due to weather noise. Unit root tests applied to model-generated temperatures also indicate trend stationarity however we find evidence of testing bias due to weather noise. This implies that time series models for climate attribution need to deal carefully with the requirements for establishing cointegration. We discuss the implications for understanding the relationship between greenhouse gas forcing and atmospheric temperatures over time.
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 | 0,006 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,042 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,072 | 0,056 |
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 ».