估计天气对农业的影响

在尼日尔，MERRA-2和TAMSAT报告的效率显著低于一半，而在尼日利亚，CPC报告的效率为少数。在尼日尔和尼日利亚，在重要的系数中，绝大多数都是积极的。例外情况是尼日尔的MERRA-2和尼日利亚的ERA5，前者的登录系数大致相等，后者的大多数为负值（十分之八）。如前所述，在坦桑尼亚，系数更可能是微不足道的，而不是重要的。事实上，没有一种遥感产品能够测量出日平均降雨量，其中大部分系数是显著的。在坦桑尼亚的一小部分重要系数中，这些系数往往与产出呈负相关。75岁之间- 对于啁啾、ARC2和TAMSAT，100%的显著系数为负值。这里的异常值是CPC，只有三分之一的显著系数符号为负，ERA5的所有显著系数均为正。虽然坦桑尼亚的日平均降雨量往往不相关或负相关，但在乌干达，系数更可能是显著的，而不是不显著的，而且这些显著的系数几乎完全是正的。事实上，在来自TAMSAT的72个回归中，乌干达只有一个负面且显著的系数。转到图33中的季节性总降雨量，结果与平均日降雨量非常相似。事实上，除了乌干达的结果存在一些差异外，如果使用平均日降雨量或总季节降雨量，一个国家内具有显著系数的回归数不会发生变化。平均降雨量和总降雨量的结果之间只有系数的大小不同。

这个结果很直观，因为平均日降雨量只是生长季每天降水量的平均值，而总季节降水量是相同数据的总和。事实上，同一降水产品的系数之间的相关性往往在0.85左右。基于这些结果，我们得出结论，日平均降雨量和季节总降雨量可用于相同的应用，不会产生显著不同的结果。CHIRPS、ARC2和TAMSAT的结果趋于一致，在所有国家都产生了大部分正系数，坦桑尼亚除外，它们都产生了大部分负系数。CPC倾向于同意Chirp、ARC2和TAMSAT，尽管与其他三种产品不同，CPC在坦桑尼亚产生的正系数大于负系数。与自身和其他遥感产品相比，MERRA-2的一致性较差。MERRA-2倾向于在一些国家（埃塞俄比亚、尼日尔、坦桑尼亚）报告相同数量的正系数和负系数，但在其他国家（马拉维、尼日利亚和乌干达）则只报告正系数。这种不一致性使得MERRA-2很难被推荐用于测量降水量（平均日降水量或总季节降水量），尽管它经常（如果不一致）与Chirps、CPC、ARC2和TAMSAT一致。相比之下，ERA5往往与各国的情况非常一致，但在六种降水产品中是显著的异常值。ERA5报告的效率比其他产品高。在任何国家，没有其他产品报告的回归系数超过80%，而在埃塞俄比亚、尼日尔和尼日利亚，ERA5报告的回归系数超过80%。

在重要的系数中，ERA5在平均降雨量和总降雨量上几乎完全是正的，即使在坦桑尼亚，其他大多数产品的系数都是负的。ERA5的一个例外是尼日利亚，结果显示80%的重要系数为负值，而所有其他产品的大部分系数为正值。根据这些结果，MERRA-2和ERA5似乎错误地测量了生长季节的降水量。如图4所示，MERRA-2报告的降雨量比其他遥感源少，而ERA5报告的降雨量比其他遥感源多。使用MERRA-2时，这似乎会对平均日降雨量和总季节降雨量产生嘈杂或不一致的结果。对于ERA5而言，大量测量的降水量产生的结果似乎与其他降水产品产生的结果形成了鲜明对比。接下来，我们考虑图34和图35，图中给出了降雨天数和生长季降雨天数所占比例的规格图。正如人们所料，考虑到平均降雨量和总降雨量的结果，这两个雨日指标在0.80左右高度相关。除MERRA-2外，其他地区的降雨天数与一个季节的降雨天数百分比之间的相关性仅为0.60。尽管MERRA-2内的相关性较低，但我们将仅详细讨论雨天数。全国和遥感产品的雨天结果比平均或总降雨量更一致。无论国家或遥感来源如何，雨天的系数几乎总是很重要的。

唯一的例外是MERRA-2，埃塞俄比亚、马拉维和乌干达的大多数系数不显著，而坦桑尼亚75%的系数显著。这些结果与大多数其他遥感产品形成对比，这些产品往往报告除坦桑尼亚以外的所有国家的大部分重大系数。在重要系数中，大多数遥感源产生正系数。在InEthiopia，CPC的系数符号平均分配，但对于其他五种产品，大多数系数为正值。就马拉维而言，所有遥感产品只报告了正系数。在尼日尔，MERRA-2报告了七个重要系数中的六个出现了负面迹象，而其他五种产品报告了大多数具有正面迹象的重要系数。在尼日利亚和乌干达，无论遥感产品如何，绝大多数重要系数均为正值。虽然与马拉维不同，但也有一些消极和重要的因素。最后，inTanzania、CHIRPS、CPC和MERRA-2得出的结果表明，降雨天数与产量呈正相关，而ARC2、ERA5和TAMSAT得出的结果表明，降雨天数与产量呈负相关。综合雨天的数量和所占份额的证据，大多数遥感来源都是一致的。唯一的例外是MERRA-2，它往往产生较少的重要系数。MERRA-2与尼日尔的其他产品也存在差异，在尼日尔，降雨天数越多，作物产量就会降低，而根据其他五种产品衡量，降雨天数越多，作物产量就会增加。根据这一证据，MERRA-2在计算降水天数时似乎受到了一些测量误差的影响。这一结果并不令人惊讶，因为描述性统计显示MERRA-2往往低估了降水量。

令人惊讶且难以解释的是，坦桑尼亚降雨日数对降雨影响的严重差异。所有六种产品的数据导致大多数回归系数显著。但在这些重要的系数中，CHIRPS、CPC和MERRA-2报告的系数最多，只有11个- 14%的系数为负值。相比之下，ARC2、ERA5和TAMSAT都报告了大部分负系数，其中60%为负- 71%的系数为负值。虽然目前尚不清楚是什么导致了这些结果，但清楚的是，在坦桑尼亚，降雨天数或降雨份额是一个糟糕的指标。与降雨相比，遥感温度产品的结果更加模糊。我们已经观察到，虽然日平均温度和中位温度产生了最显著的系数，但这些系数上的符号几乎是均匀分布的，这违反了我们关于符号一致性的假设。因此，我们还考虑了日降雨量的变化，虽然产生的显著系数较少，但这些系数始终是负的。图36给出了日平均温度的结果，图37给出了日平均温度的结果。两个指标的结果相似，这是因为这两个指标之间的相关性为0.99。全国各地的结果也相似。一般来说，大约一半的效率是显著的。在重要系数中，使用MERRA2数据的约60%的系数为负值，而来自ERA5和CPC的45%至55%的系数为负值。尼日尔是一个例外，那里的系数往往为负或不显著，只有很少的正系数。检查规格图可以发现，日平均温度和中位温度的正系数和负系数几乎相等的一个原因。

在埃塞俄比亚、尼日尔、尼日利亚、坦桑尼亚和乌干达，线性规范的系数往往不显著。埃塞俄比亚、尼日利亚和坦桑尼亚的日平均温度和中位温度的负系数往往来自规范（3a），这是没有家庭固定影响或输入的二次曲线。在本规范中，线性温度项的系数表示较高的温度会降低输出。但是，当我们将家庭固定效应包括在内时，如在规范（3b）和（3c）中，线性温度项的系数意味着较高的温度会增加产量。在这四个国家，包括日平均温度或中位温度，但不考虑家庭固定影响，人们得出结论，较高的温度会降低作物产量，而家庭固定影响的综合结果则相反：较高的温度会增加作物产量。马拉维、尼日尔和乌干达的模式略有不同。在尼日尔和乌干达，与埃塞俄比亚、尼日利亚和坦桑尼亚一样，线性规范的系数往往不显著。但在尼日尔，无论家庭固定效应是否包括在内，所有二次指标都倾向于产生负系数。在乌干达，没有家庭固定效应的二次规格往往并不重要，只有那些包含家庭固定效应的规格才会产生显著的正系数。因此，在尼日尔，高温与产量呈负相关，而在乌干达，高温与产量呈正相关。最后，在马拉维，线性规范倾向于产生负系数，而二次规范倾向于产生正系数。

因此，当涉及日平均温度和中位温度时，国家和规格在确定结果方面比温度数据来自哪个遥感产品更重要。图38显示了每日温度变化的结果。正如我们之前看到的，方差系数比均值和中位数系数更不重要。对于方差，55%的系数是显著的，而对于均值和中位数，60%到63%的系数是显著的。乌干达是一个异常值，只有37%的方差系数是显著的。在符号方面，方差的显著系数比均值和中位数的显著系数更一致地具有相同的符号（负）。数据的遥感来源对该符号几乎没有影响，尽管与均值和中位数一样，各国之间存在差异。在埃塞俄比亚、马拉维、尼日尔和坦桑尼亚，大多数重要系数为负值。然而，在尼日利亚，差异最终与结果呈正相关。在乌干达，在为数不多的具有重要意义的系数中，MERRA-2和CPC的正负系数趋于平均。使用ERA5计算的日温度变化导致67%的系数为负值。与均值和中位数一样，兴趣系数的哪个符号通常取决于是否包括家庭固定效应。对于尼日利亚来说，包含固定影响的规格往往显示出日温度变化与产量之间的正相关关系，而缺乏家庭固定影响的规格往往显示出负相关关系。这与规格是线性的还是二次的无关。相比之下，在乌干达，二次规格往往导致方差的负系数，而线性规格往往导致正系数。

这与是否包括家庭固定影响无关。而在降雨条件下，我们可以得出结论，MERRA-2和ERA5是糟糕的选择，在温度条件下，这三种产品产生的结果大致相似。但这似乎与温度指标和结果之间缺乏强有力的关系有很大关系，与产品本身也有很大关系。在我们发现差异的地方，很可能是由于跨国差异和回归的特定函数形式。在一定程度上，这些差异可能会反映每个国家的实际情况，这表明使用差异或任何温度指标，需要对将使用差异的国家和应用有具体的了解。4.3.4选择遥感产品总结我们的结果，平均降雨量和总降雨量显然是相互替代的。虽然这两个指标的表现明显优于大多数其他降雨指标，但它们之间的选择似乎无关紧要。雨天的数量和份额也是如此。这两个指标的表现优于其他降雨指标，但产生的结果彼此极为相似。在遥感产品方面，MERRA-2似乎不如其他五种降水产品。无论使用四种降雨指标中的哪一种，从MERRA-2数据得出的这些指标的系数往往不重要，而从其他遥感产品得出的系数则很重要。这表明MERRA-2克服了经典测量误差，在数据中引入了有效的噪声，导致降雨指标与结果不相关。ERA5也不如CHIRPS、CPC、ARC2和TAMSAT。正如描述性统计所证明的，ERA5倾向于报告更高的降雨量，这表明存在非经典测量误差。

这一结论得到了我们的平均降雨量和总降雨量规格图的支持，其中来自ERA5数据的系数比来自其他遥感产品的系数更为积极。RA5结果中的这种偏差不会影响到雨天的数量或份额，因为这些指标不是以降雨量为基础的，而降雨量是ERA5与其他遥感产品不同的地方。基于这一证据，我们得出结论，MERRA-2和ERA5在寻找与家庭数据相匹配的降水遥感源时是糟糕的选择。与降雨不同，由于温度的原因，我们无法得出强有力的结论。总的来说，这三种温度产品的结果大致相同，这表明可以使用这三种产品中的任何一种。但这种普遍的相似性受到高度特殊情况下差异的干扰。与降雨不同，我们无法确定差异的模式，例如MERRA-2和ERA5。因此，我们提醒研究人员使用任何温度产品，因为没有明显的模式表明哪种产品在什么情况下效果最好。在线性规格中，日平均温度和中位温度并不显著，但在无固定影响的二次规格中，平均温度和中位温度与结果呈负相关，而在有固定影响的二次规格中，平均温度和中位温度往往与结果呈正相关。然而，就方差而言，即使是这种模式也会分崩离析，一个单一的物种同时产生正系数和负系数。基于所有这些证据，我们得出结论，三种温度产品中的任何一种都有可能产生彼此基本相似的结果，就像它们产生彼此基本不同的结果一样。研究人员可能需要验证其结果对遥感温度数据源选择的稳健性。

然而，总的来说，在这些撒哈拉以南非洲国家，温度似乎是农业产出的一个重要或预测因素。5讨论通过对6个国家33738个家庭总观测值的面板数据进行129600次回归分析，总结我们的结果，并在将遥感天气数据与家庭调查数据相结合时，为一系列最佳实践提供方向是有用的。我们还概述了未来的工作，包括我们的预分析计划中尚未解决的项目和未预先指定的探索性分析。5.1针对一组最佳实践的遥感天气数据已成为经济分析的常见组成部分（Dell等人，2014年；Donaldson and Storeygard，2016年）。然而，经济学文献中很少有人认识到这些数据会受到测量误差的影响。对于处理测量误差的一系列最佳实践也没有达成一致。如今，很少有实证论文无法验证结果对不同规范（Simonsohn等人，2020年）或Steegen等人（2016年）数据的不同迭代的稳健性。然而，经济学论文很少（如果有的话）验证结果对不同遥感数据来源或使用不同气象指标的稳健性。正如我们在本文中所展示的，使用遥感天气数据的这种blas’e方法是不合理的。为了调查测量误差在遥感天气数据中的问题程度，我们使用预分析计划中概述的一组启发式方法测试了三个假设。假设1考虑了当模糊的家庭坐标与遥感数据配对时，用于模糊家庭真实位置的提取方法引入错误测量的程度。