估计天气对农业的影响

这使我们能够看到所有数据源是否提供基本相同的结果，或者结果是否因数据源而异。总之，我们进行了超过129600次回归，以确定哪些天气指标对大量作物、国家、模糊处理方法和数据源具有强大的预测能力。虽然我们的方法允许我们将模糊处理或度量或源的各种组合与另一种进行比较，但它不允许我们将任何组合与adata源试图测量的客观事实进行比较。这是因为在我们的数据集中，或者在经济学家使用的大多数数据集中，没有记录家庭客观事实的数据源。与试图确定土地面积、收获或种植的种子品种的误判的研究不同，我们无法测量降水和温度的客观事实。在我们的例子中，相当于GPS追踪aplot、作物收割或种子DNA指纹，将是每个家庭的雨量计和温度计，每天记录数据。虽然从技术上来说，收集此类数据显然是可行的，但作为经济研究的一部分，收集此类数据是非常不典型的。因此，经济学家开始依赖遥感天气数据。由于我们缺乏每个家庭降水量和温度的客观事实记录，我们所有的误判比较都是一个模糊/度量/源组合与另一个的比较。为了使这些比较有意义，我们采用了降雨和温度对作物产量都有显著影响的先验知识。一些指标，如无雨天数或温度变化，可能会对产量产生负面影响，但我们认为这种影响在统计上是显著的。

然后，我们的实证结果允许我们根据证据的权重来更新我们的先验知识。如果一组模糊处理/源组合中的绝大多数显示下雨天数显著增加了产量，那么我们保留了之前的信念。然后，我们可以声称，不导致显著系数或显著负系数的污染/污染源组合，会对雨天数造成误判。相反，如果一组模糊/源组合中的绝大多数表明生长季节的平均最高日温度对产量没有显著影响，那么我们拒绝接受我们的先验信念。然后，我们可以声称，显示出显著影响的混淆/源组合会产生误判的影响。我们缺乏降水和温度等客观事实的数据，这说明我们的研究设计是如何实现的。首先，我们制定了预分析计划，并将其注册为atOpen科学框架（Michler等人，2019年）。虽然预分析计划已成为非实验经济学中的常见计划，但在使用观测数据时，它们仍然相对少见，因为它们束缚了研究人员的双手（Janzen和Michler，2021）。通过使用预分析计划，我们可以预先确定要纳入研究的数据来源，使用什么函数形式测试什么指标，以及在没有形式统计测试的情况下，我们如何比较不同模型的结果。其次，我们采取了一种盲目的策略，以帮助确保分析的客观性。在这种盲法中，作者被分为两组：数据生成组和数据分析组。

Kilic和Murray属于数据生成小组，全权负责提取遥感数据，并将其与LSMS-ISA数据中的家庭记录相匹配，以创建多个不同的成对天气LSMS-ISA数据集。在这些数据集中，天气数据的来源和模糊处理方法在与数据分析小组共享之前是匿名的。Josephson和Michler组成了数据分析小组，全权负责清理LSMS-ISA生产数据，运行回归，并进行和编写分析。预先指定的分析是在匿名数据集上进行的，这些结果被发布到arXiv。揭盲前的组织（Michler等人，2021年）。以这种方式生成的数据集保留了关于不同遥感产品和混淆类型之间结果差异的任何发现的客观性。我们的研究结果对两种不同的文献流有启示。第一个是文献，例如，在一个数据集中，遥感天气数据产品可能与LSMS-ISA中的精确住户GPS坐标相匹配，而在另一个数据集中，遥感天气数据可能与低级别管理质心相匹配。一份不完整的论文初稿已发布到arXiv。org于2020年12月22日发布（arXiv:2012.11768v1）。该草案是一个占位符，发布是为了满足世界银行的项目报告要求。2021年8月19日发布了完整的匿名草案（arXiv:2012.11768v2）。2021 8月23日，数据生成组与数据分析组共享了数据匿名化的密钥。手边的论文版本是更新后的论文（v3），包含与论文匿名化v2相同的分析，只是用实际的非匿名化名称替换匿名化占位符。论经济数据中的计量误差。

该领域的大多数研究集中于农业生产背景下的误判（Carletto et al.，2017；Abay et al.，2019；Kosmowski et al.，2019；Lobell et al.，2020；Abay，2020；Abay et al.，2021；Gollin and Udry，2021；Kilic et al.，2021），但相关文献关注从时间偏好（Anderson et al.，2008）到或有估值的所有误判（Flachaire和Hollard，2006年）。与农业生产中的大多数劳恩误判不同，我们缺乏关于可能被衡量的客观事实的数据。因此，我们开发了新的方法来评估测量误差的程度，这取决于LSMS-ISA数据的丰富性和许多不同遥感数据集的组合。通过量化测量误差的大小和显著性，我们可以更好地了解经济学家通常会消除的遥感产品中误测的潜在影响。我们的研究结果也对依赖遥感天气数据进行因果识别的大量不同文献流产生了影响。这包括关于人力资本形成的开创性和最新研究（Maccini和Yang，2009年；Shah和Steinberg，2017年）、劳动力市场（Jayachandran，2006年；Chen等人，2017年；Kaur，2019年；Morten，2019年）、冲突和制度（Br¨ucknerand-Ciccone，2011年；Sarson，2015年；K¨onig等人，2017年），农业生产和经济增长（Miguel et al.，2004；Desch^ene and Greenstone，2007；Barrios et al.，2010；Dell et al.，2012），家庭内部谈判（Corno et al.，2020），技术采用（Suri，2011；Jagnani et al.，2021；Arag\'on et al.，2021）。我们的研究结果表明，经济学家需要对遥感数据源及其用于测量天气的指标更加谨慎。

虽然我们的分析为哪些来源和指标通常是可靠的提供了实际指导，但研究人员可能需要证明他们的结果对不同来源和指标的稳健性，而这些来源和指标对他们的识别策略至关重要。本文的结构如下：在第二节中，我们讨论了天气数据和家庭数据的来源和特点。我们还提供了有关数据整合方式的详细信息，包括盲法数据整合方式的具体说明。本节最后给出了天气数据中误测的一些描述性证据。第3节提供了预分析计划的详细信息，特别是我们的估计策略和推断方法。第4节讨论了结果，首先通过模糊处理方法覆盖差异，然后通过天气度量，最后通过表情感应产品。第5节总结了研究结果，并为希望将遥感数据与社会经济数据结合使用的研究人员推荐了六种最佳实践。我们还概述了未来的工作，然后在第6节中总结。2数据我们使用现有的、可公开获取的基于卫星的天气数据产品，以及作为世界银行LSMS ISAMS倡议的一部分生成的、通过世界银行微数据库提供的、可公开获取的单位记录调查数据。在本节中，我们首先简要介绍天气数据和家庭数据。然后我们讨论了研究团队的盲目性和数据集成过程。最后，我们讨论了组合天气住户数据集的一些描述统计学。2.1天气数据我们使用各种公共领域的天气数据源，代表不同的建模类型、输入源和空间分辨率。

表1简要描述了每个数据源，包括记录长度、空间和时间分辨率以及记录的数据类型。尽管有许多可能的天气产品需要考虑，但我们试图将经济学家最常用的遥感数据产品包括在内。然而，为了确保一致性并在整个分析过程中生成通用指标，我们采用了两个纳入标准。数据源必须具有（1）高时间分辨率（每日）和（2）至少30年的记录长度（19872017）。我们需要每日分辨率来计算当今文献中使用的一些最常见的天气指标，例如生长度日（GDD）。记录的长度必须一致，以涵盖LSMS-ISA的所有年份，提供有效的历史数据来衡量长期趋势的季节性变化，并提供长度相同的天气数据集。这最后一点是必要的，以保持数据分析组对数据源的盲目性。不幸的是，这一标准意味着经济学家使用的一些数据源被排除在外，比如特拉华大学气候研究中心提供的各种版本的每月地面气温和降水量。虽然本分析中使用的所有天气产品数据都是公开的，但由于格式和平台的不同，访问数据进行分析仍然具有挑战性。

有关每种遥感产品的更多详细信息，以及经济学家将这些数据与调查数据合并的指南，请参见附录A。2.1.1合并雨量计和卫星数据在过去20年中，通过将提供站点级观测的雨量计数据与提供全覆盖范围内有价值的间接信息的气象卫星数据合并，提高了数据稀缺环境下降雨估计的准确性。我们在这个类别中使用了三种数据产品。首先，开发了非洲降雨气候学第2版（ARC2），为非洲饥荒预警系统的改进提供长期每日降雨监测（Novella和Thiaw，2013）。输入源是每日全球电信系统（GTS）雨量计数据和地球静止运行环境卫星（GOES）降水指数（GPI），该指数是根据云顶红外（IR）温度计算得出的。每日数据按0.1生成o决议尽管缺乏每日数据，但德拉韦雷梅斯大学气候研究中心的产品仍深受经济学家欢迎。基于这些数据的论文包括科诺等人（2020年）、戴尔等人（2012年）、伊藤和黑崎（2009年）、贾亚钱德兰（2006年）、考尔（2019年）、萨尔森（2015年）以及沙阿和斯坦伯格（2017年）。许多论文使用ARC2，包括Arslan等人（2015年）、Amare等人（2018年）、Asfaw和Maggio（2018年）、Asfaw等人（2019年）、Coromaldi等人（2020年）、Alfani等人（2021年）和Arag\'on等人（2021年）。第二个数据产品“利用卫星数据和地面观测的热带气象学应用”（TAMSAT）也同样利用了GTS和气象卫星热红外（TIR）数据的雨量计信息（Tarnavsky et al.，2014）。

通过从当地来源收集补充了输入的仪表数据，并针对时空校准区优化了从TIR导出的降雨与云量持续时间（CCD）的关系。数据以0.375表示o决议Eberhard Ruiz和Moradi（2019）、Mamo等人（2019）和Morgan等人（2019）是一些依赖TAMSAT数据的论文。最后，气候危害小组的红外降水与台站数据（CHIPRS）数据集是一个全球产品，建立在ARC2和TAMSAT相同的混合方法基础上（Funket al.，2015）。改进措施包括使用分阶段方法，加入额外的气候产品，以及从国家来源获取测量数据。每天的数据是在0时产生的。05o空间分辨率。大量论文利用了啁啾，包括米切勒等人（2019）、谢等人（2019）、贾尼尼等人（2021）以及马蒂和库沃努（2021）。2.1.2同化模型模拟模型将来自不同来源（如卫星、气象站、船舶、飞机）的大量观测结果结合起来，生成全球气候系统或特定大气现象的模型。再分析是在一定时期内回顾性应用的同化模型，包括算法改进、数据处理和新数据集，以支持长期气候分析。根据系统状态和对模型变量之间相互作用的理解推断或预测输出。输出在更高的时间分辨率（每天以下）以及垂直/气压水平下有所不同，但通常比其他天气数据集的空间分辨率更低。

在本次分析中，我们使用了两个再分析数据集来计算降雨量和温度：欧洲中期天气预报中心ERA5，网格为0.28o, 以及美国国家航空航天局现代研究与应用回顾分析（MERRA-2），在0.625的不规则网格上o× 0.5o（Hennermann和Berrisford，2020年；Bosilovichet al.，2016年）。这两个来源有许多共同的输入，尽管在处理流程和模型方面有所不同。使用ERA5的论文包括Arslan等人（2015年）、Asfaw和Maggio（2018年）、Kalkuhl和Wenz（2020年）、Sedova和Kalkuhl（2020年）以及Jagnani等人（2021年）。使用MERRA-2的包括Chen et al.（2017）、Chen et al.（2018）和Letta et al.（2018）。2.1.3内插规范数据最后，我们考虑主要从规范数据生成的数据产品，仅使用空间内插技术从观测测量生成连续曲面。NOAA气候预测中心（CPC）使用CPC、GTS每日报告和CPC特别收集的所有可用信息源，创建了基于统一标准的日降水量和温度数据集分析（Chen等人，2008）。对仪表数据进行广泛的预处理和清理，包括与卫星和其他来源的同期数据进行比较。降水数据网格化为0.5o使用最佳插值（OI）技术的分辨率，该技术考虑地形影响。使用Shepard算法以相同的分辨率对全球温度数据集进行网格化。

一系列论文使用了CPC数据，包括坦南特和吉尔摩（2020年）以及威廉姆斯和特拉维斯（2019年）。2.2住户调查数据世界银行生活水平测量研究——农业综合调查（LSMSISA）是一个住户调查项目，为撒哈拉以南非洲国家统计机构设计和实施，以农业为重点的多专题纵向住户调查。如下文所述，该分析利用了埃塞俄比亚、马拉维、尼日尔、尼日利亚、乌干达和坦桑尼亚的国家统计局在过去十年中进行的几轮小组住户调查的数据，并得到了LSMS-ISA倡议的支持。表2总结了分析中使用的国家、年份和观察结果。附录B提供了各国抽样框架和数据收集过程的更多细节。在埃塞俄比亚，我们使用埃塞俄比亚中央统计局（CSA，2014；CSA，2015；CSA，2017）进行的2011/12、2013/14和2015/16轮埃塞俄比亚社会经济调查（ESS）的数据。第1波数据在全国人口最多的地区具有区域代表性，而第2波和第3波数据扩大到包括城市地区的1500户居民。在清理数据以消除城市和非农业农村家庭之后，我们在三次调查中得到了7272个家庭观察结果。在马拉维，LSMS-ISA数据包括两项独立的调查：横断面综合住户调查（IHS）和纵向综合住户小组调查（IHPS）（NSO，2012；NSO，2015；NSO，2017）。该分析基于IHPS的数据，该数据在国家、城市/农村和地区层面具有代表性。数据来自2010/11、2013和2016/17。