估计天气对农业的影响

因此，与简单提取方法不同，双线性方法考虑了网格数据产品任意单元边界内的点位置。这种方法似乎比简单提取法或小区（家庭或EAs）的分区方法产生更好的结果。行政区域似乎太大，以至于产生强烈的结果，因为使用行政区域，无论提取方法（简单、双线性或分区平均），往往会产生最小的调整右值。虽然模式是一致的，但应该记住，每种提取方法之间的差异不足以通过我们的弱测试，我们也无法拒绝零。4.1.2 p值下一步，我们考虑不同的提取方法是否产生显著不同数量的系数。回想一下，我们坚持的假设是，我们检查的天气指标与结果变量显著相关，因为这些天气指标在文献中通常用于此目的。当检查调整后的RVA值时，我们根据模型规格对回归结果的每个单元进行分解，当检查p值时，我们根据遥感数据是降雨还是温度进行分解。图9显示了三个标准p值的有效估计份额：p>0.90、p>0.95或p>0.99。在这些条形图中，我们加上重要系数平均数的95%置信区间。北面板显示降水产物的结果，而南面板显示温度产物的结果。降雨面板中的每个bar和置信区间基于6048个回归，而温度面板中的每个bar和置信区间基于1728个回归。

为了便于比较，我们绘制红线，以指定家庭双线性平均值（首选方法）的置信区间的顶部和底部。快速目视检查图9顶部面板中的结果，并没有发现提取方法之间的许多差异。将一次提取的重要系数份额的数值与任何其他提取的平均值的95%置信区间进行比较，确实显示出一些小的差异。使用修正后的EA简单和行政区域双线性数据进行回归产生的显著系数份额与EA双线性有微弱差异。仅有的另一种两两比较存在微弱差异，即住户双线性和住户简单。没有明显不同的比较。较低的温度面板的结果与降雨的结果相似。不存在明显的差异，尽管一项数字比较显示，家庭双线性与行政区域双线性的差异很小。没有其他成对比较是弱差异，也没有比较是强差异。与我们对调整后右旋值的检查一样，这里的证据优势表明，不同的提取方法不会在分析中引入实质性的测量。我们未能拒绝假设1。然而，国家之间或国家内部存在异质性的可能性。因此，我们接下来考虑同样的指标，按国家分类。图10和图11显示了六个国家的所有降雨和温度指标的不同提取方法。现在，我们已经按照提取方法、降雨量/温度和国家对结果进行了划分，每个条代表了1008个降雨量回归和288个温度回归的重要系数份额。

我们通过仅显示p>0.95的系数份额来简化图表。根据提取方法，我们看到一个国家内部的变化比我们之前的图表中的变化更多。在埃塞俄比亚，基于行政区域中心点的两种提取方法与家庭双线性有很大不同。虽然埃塞俄比亚和其他任何国家没有其他两两比较存在显著差异，但许多两两比较都没有显著差异。然而，似乎没有不同提取方法的模式。在使用温度数据的提取方法中，存在差异的证据同样嘈杂，并且没有一种提取方法优于/低于其他提取方法的任何明显模式。在马拉维，家庭简单和两个分区的平均数与EA双线性和行政区域双线性的差别很小。在尼日尔，简单行政区与修改后的双线性行政区差别不大。在尼日利亚，行政区划平均值与双线性家庭和修正的EA之间存在微弱差异。在坦桑尼亚，EA简单值和EA分区平均值与双线性家庭和EA以及行政简单值和分区平均值有微弱差异。在乌干达，两两比较没有微弱的差异。然而，就重要价值的份额而言，各国之间的差异存在某种模式。与其他五个国家相比，坦桑尼亚对降雨量的重要估计较少。这些差异非常显著。在温度方面，埃塞俄比亚、坦桑尼亚和乌干达的结果都与马拉维、尼日尔和尼日利亚截然不同。

虽然这并不是由于提取方法的不同而导致的误判，但在接下来的章节中讨论天气指标和遥感数据源的跨国差异时，需要注意这种模式。综上所述，关于我们的p值和调整流变学的证据优势使我们得出结论，我们不能拒绝假设1的无效。我们没有发现明确证据表明，为保护农场或家庭隐私而实施的不同模糊处理程序对农业产量的估计有显著不同的影响。这表明，使用不同提取方法可能产生的任何测量误差都不会对估计值产生实质性影响。虽然家用、EA和改进的EA双线性似乎比其他提取方法提供的结果略好，但当研究人员使用带有模糊GPS信息的公开数据时，他们应该确信，将这些坐标与遥感数据匹配不会在分析中引入实质性的测量误差。4.1.3选择单一提取方法得出结论：不同的提取方法不会产生实质性不同的结果，我们将从这一点开始使用一组结果。对于盲法分析，数据分析组不能简单地选择“正确”或最首选的提取方法。为了解决这个问题，数据分析小组在Stata使用了一个随机数生成器来选择一种提取方法来继续分析。因此选择了提取方法3（EA双线性）。

本文关于arXiv的反演2。所有的分析都是用这种提取方法进行的。有关此过程的更多详细信息，包括用于随机编号生成的代码，请参见附录C。对于当前版本的论文（第3版），数据分析组不再是盲的，我们可以使用家庭双线性更新之前的分析，这是给定我们设置的最准确的提取方法选择。如果我们得出的结论是，提取方法不会引入实质性的误判，那么在第二版中使用随机选择的提取方法进行的结果和分析在质量上应与本版论文中使用家庭双线性的结果和分析相同。从比较论文草稿可以看出，结果实际上在质量上是相似的。我们指出存在的差异。4.2天气测量已经证明，提取方法似乎不会在结合遥感天气数据和地理参考家庭数据的分析中引入重大的测量误差，接下来我们考虑估算中使用的特定天气测量，遵循假设2（H——不同的天气测量对农业生产力的估算具有相同的影响）。在这里，我们的零假设是基于这样一个假设，即大多数降水量或温度的测量值在名义上是相似的。对于熟悉植物在每个生长阶段的特定水分和温度要求的农学家或植物科学家来说，这种假设很可能是错误的。然而，经济学家往往忽视、忽略或只是不知道这些条件、要求和相关论点。经济学家使用如此多不同的天气指标，这一事实提供了初步证据，表明业内人士坚持所有降雨或所有温度指标的表现大致相同的假设。

Miguel等人（2004年）认为降雨量的百分比变化是一个很好的预测流量的指标，而Br¨uckner和Ciccone（2011年）认为前一年的总降雨量是一个很好的预测流量的指标。Maccini和Yang（2009年）发现出生年份的降雨量偏差是人力资本形成的良好预测指标，而Garg等人（2020年）发现气温高于29的天数o摄氏度被认为是人力资本形成的良好预测因子。对文献的回顾，以及无数用于预测相同或类似结果的天气指标，给人的印象是，经济学家坚持认为许多天气指标都是相等的。另一种假设是，天气指标的选择确实很重要。如果另一种假设是真的，它表明经济学家应该根据理论或农艺理由证明他们对一个指标的选择是正确的——或者如果没有这样的理由——提供稳健性检查，以证明结果不取决于天气指标的具体选择，尤其是如果在分析之前没有预先规定选择的话。4.2.1调整后的RAs使用提取法，我们使用规格图检查调整后的右旋值。为了便于比较，我们分别在图12和图13的单独图表中展示了降雨量和温度。这些图表显示了每个模型规格的平均天气指标的平均调整兰特95%置信区间。与之前一样，在每个“列”的顶部是72次降雨回归和36次温度回归的平均值的95%置信区间。下图显示了与统计数据相关的提取方法和模型规格。事实上，作者们已经收到了评论员对论文的评论，这些评论强调了这一点。

一位匿名评论者举了一个例子：严格来说，（对玉米生产）重要的是农业干旱——植物生长的水资源利用效率——而不是气象干旱——通常基于年平均降雨量。除非你能在作物生长的最关键时期测量降雨量，对于玉米来说，这大约占成熟期的1/2，成熟期为110天，否则你无法测量相关的干旱。虽然我们无法与评论者在衡量植物对水的生物反应方面的观点的准确性抗衡，但经济学家往往忽视或仍然不了解这些论点。从西北面板开始，模型规格内的平均调整右旋值可能会在不同天气指标之间产生显著差异。对于线性模型（2a），中位日降雨量与大多数其他指标存在显著差异，这说明结果变量的差异比其他降雨指标小得多。最长的干旱期和日降雨量的偏斜也表现不佳，与大多数其他降雨指标相比，它们所解释的差异量相差不大。剩下的指标虽然比前面提到的指标具有更高的调整后右值，但它们之间并没有微弱的差异。二次模型（3a）的结果在质量上相似，但差异更为显著。同样的五个降雨指标解释了结果变量的巨大差异，但这种差异现在强于三个表现最差的指标，弱于其余六个指标。

根据本小组的证据，虽然许多指标解释了结果变量中类似的差异量，但一些指标解释得更少，一些指标解释得更多。仅根据本小组中的证据，平均日降雨量、季节性总降雨量、无雨天数、雨天天数和雨天百分比都可以解释结果变量相对于日降雨量中值、日降雨量偏差和最长干旱期的实质性更大差异。当我们看到包括家庭固定效应和固定效应以及投入的模型规格时，对结果的这种解释变得混乱。一旦我们控制了时间不变的家庭不可观测数据，降雨指标之间就不再存在任何微弱或强烈的差异。当我们控制时变输入时，结果不会发生质的变化。检查我们的流变学，大量证据表明，我们不能拒绝空值，至少在paneldata中是这样。在无法控制家庭不可观测数据的横截面数据中，匿名审查者的论点似乎是正确的：在选择相关降雨指标时必须谨慎。然而，如果一个人将一个家庭的结果与自己进行比较（就像在一个家庭固定影响面板设置中所做的那样），那么选择降雨指标似乎不再重要。日降雨量的偏差与季节性总降雨量的差异同样可以解释结果的差异。这表明，一旦控制了家庭的时不变特征和时变输入选择，降雨就无关紧要了。这是Michler等人提出的一个观点。

（2021年），世卫组织证明，对于印度的家庭来说，时间不变的家庭能力和季节性投入选择使农民能够适应天气，减轻了天气年复一年的变化对作物产量的影响。图13中的温度结果说明了类似的情况。从西北面板开始，在该面板中，规格缺乏固定的影响或输入，温度测量的RVA值存在显著差异。包括日温度偏差、日温度方差或GDD z评分的回归R值与包括日最高温度、日平均温度和日平均温度的回归R值有很大差异。一旦我们控制了家庭固定效应和固定效应加上投入，所有这些差异就会消失。综合基于我们的流变学的结果，大量证据表明我们不能拒绝我们的零假设：不同的天气指标对我们的结果变量有相同的影响。但是，这一结果仅适用于我们将家庭固定效应纳入时不变不可观测控制的情况。这意味着，在横截面数据中，在选择适当的天气指标时必须小心，但这种选择可能与家庭本身进行比较的面板设置无关。4.2.2 p值为向经济学家提供天气指标选择方面的额外指导，我们考虑了一系列按天气指标呈现p值的数据，这些数据分解为降雨量和温度。图14显示了重要系数估计的份额，以及每个天气指标的重要系数平均数的95%置信区间。北面板显示降水产品的结果，而南面板显示温度产品的结果。

降雨面板中的每个bar和置信区间对基于432个回归，而温度面板中的每个bar和置信区间对基于216个回归。请注意，与RSpecification图表不同，p值图汇总了所有六种规格。这是因为我们关注的是单一系数的重要性，而不是模型及其天气指标的整体解释能力。日平均降雨量、季节总降雨量、雨天数和雨天百分比在p>0.95时具有最大的显著系数。这四个指标的重要系数所占比例与每日降雨量的中值和偏斜、季节性总降雨量的z分数以及最长干旱期的比例有很大差异。当我们考虑温度指标时，也会出现一个清晰的排名。日平均温度和中位温度与日平均温度和日最高温度的方差没有差异。平均值和中间值与GDD有微弱差异，与日温度偏差、偏差inGDD和GDD的z分数有强烈差异。这里值得重申的是，我们不知道发生了多少降水或气温是多少的客观事实：我们不知道哪种天气指标真正重要。我们所能做的就是维持这样一个假设，即我们所有的22个指标都曾在经济学文献中使用过，每个指标都应该与我们的结果变量显著相关。与提取方法一样，我们接下来将调查国家之间或国家内部是否存在与天气指标相关的异质性。图15和图16显示了六个国家中每一个国家的系数显著高于0.95的份额。结果基于每个国家1008个Rainfall回归，或每个国家每个指标72个回归。