估计天气对农业的影响

第4.1节讨论的证据优势使我们得出结论，我们不能排除假设1的无效性。没有明确证据表明，不同的模糊处理程序对农业产量的估计有不同的影响。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。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测量误差。我们的第二个假设涉及测量降水量和温度的指标的选择是否对分析至关重要。这里的问题是，经济学家用来选择一个指标（如平均温度）而不是另一个指标（如增长度天数）的过程是临时性的，缺乏准确测量重要天气所需的特定性。某些度量可能会误判相关的气象事件。例如，如果与人类资本发展有关的是气温高于某一阈值的天数，如Garg等人（2020年）所述，那么平均日气温错误地测量了相关事件。第4.2节给出的结果导致我们拒绝假设2。根据我们的启发，一些天气指标的表现明显优于其他指标。就降水量而言，日平均降水量、季节总降水量、生长季的雨日数以及生长季的锯雨天数都与结果密切相关。对于温度，每日温度的平均值、中位数和方差通常都和结果相关。在这七个指标中，平均值和总降雨量高度相关，可以相互替代。

同样，雨天和雨天百分比高度相关，日平均温度和中位温度也高度相关。人们可以相互替换这些指标，而不会产生明显的结果差异。假设3考虑了遥感产品是否错误地测量了关于某一天某一地点降水量和温度的客观事实。第4.3节中提出的另一个证据是，一些产品事实上确实错误地测量了天气，尽管几种产品之间存在普遍的一致性。具体而言，MERRA-2似乎克服了经典测量误差，产生了嘈杂的数据，导致rainfallmetrics经常与结果不相关。ERA5似乎受到非经典测量误差的影响，导致对降水量的高估，并导致降雨指标的偏差。其他四种降水产品通常都报告了类似的降水数据。这三种温度产品也基本一致。尽管有一些证据表明ERA5报告的温度数据与其他两个来源不同，但这些差异似乎不足以影响结果。然而，这种影响的缺乏可能是由于在预测结果时，即使是最好的温度指标的总体质量也很差。这是因为温度与结果不相关，还是因为三种产品都受到测量误差的影响，目前尚不清楚。我们分析中的一个重要限制是，我们缺乏客观事实的数据，即阿吉文日某一特定地点的实际沉淀量或实际温度。

虽然人们可以很容易地测量田地的真实大小（Carletto等人，2017年）、收获的真实重量（Abay等人，2019年）或种子的真实种类（Kosmowski等人，2019年），但关于天气客观事实的数据往往不存在，因为它需要在每个位置安装雨量计和温度计，还需要有人每天（或每小时）记录相关数据。缺乏天气客观事实的数据正是经济学家使用遥感数据的原因。由于缺乏关于客观事实的数据，我们只能将提取方法、天气指标和遥感产品相互比较。在很大程度上，这确实限制了我们拒绝或未能拒绝一个假设的能力。提取方法显然不会影响结果，有明显的好天气和坏天气指标，一些降水产品明显报告了不同于其他产品的降水量。由于缺乏客观事实，我们在得出有关温度产品的结论时受到限制。在不知道LSMS-ISA家庭所经历的实际温度的情况下，我们无法确定温度指标和结果之间缺乏相关性是否是真实关系的反映，或者是所有三种产品错误测量温度的证据。就建立一套最佳实践而言，我们建议如下：o研究人员不必担心与模糊的住户位置相匹配的天气数据。我们的研究结果并没有实质性的改变，这是基于我们分析的模糊处理方法。目前公开的遥感天气的空间分辨率不足以让常见的提取方法对家庭经历的天气产生误判。

研究人员应该能够轻松地将模糊坐标与天气数据进行匹配，并且不必担心提取方法会实质性地改变其结果研究人员必须更加小心地证明他们选择的天气指标是合理的。对于LSMS ISA数据，在许多模型和国家中，平均日降雨量、季节性总降雨量、雨天数和雨天百分比是一致的、积极的预测结果。其他气象指标的表现更加不一致，在类似的环境中，经常产生相反的系数。由于几个气象指标表现同样出色，而许多气象指标表现同样糟糕，因此需要为为什么选择了一个指标（例如，平均日）而其他指标（例如，总季节）没有提供合理的辩护。当因果关系的识别依赖于天气指标的选择时，尤其如此。虽然特定情况可能需要一个特定的天气指标，但应明确说明理由，并说明其他指标不合适的原因研究人员应提供证据，证明结果对天气指标的选择是可靠的。在我们与降雨和温度指标相关的结果中，存在大量的跨国异质性。这表明结果对特定位置和应用敏感。应用经济学研究的现行标准是提供各种稳健性检查，以检查模型规格假设的差异或基础数据的变化。当天气是分析的关键组成部分时，应就天气指标的选择提供类似的稳健证据。

研究人员应该能够回答以下问题：他们的结果是否取决于测量降水量或温度的特定指标的选择，或者他们的结果是否反映了降水量、温度和相关结果之间更广泛的关系研究人员在使用温度数据预测农业结果时应该谨慎。在LSMS-ISA数据中查看农业生产时，温度往往是APOR预测因子。这是因为遥感产品错误地测量了温度，还是因为温度对热带非洲的农业生产并不重要，目前尚不确定。显然，有些情况下需要在分析中使用温度，但只需将温度添加到回归中，因为数据可用，存在过度控制的风险。在LSMS-ISA数据中，温带地区的通用温度指标（如GDD）对农业生产的预测效果尤其差，应该避免使用研究人员必须仔细选择在分析中使用哪种遥感源。尽管某一天某一地点的降水量和温度是客观事实，但遥感产品在测量这些客观事实的方式上有所不同。正因为如此，遥感产品可以也确实不同意天气情况。至少对于那些使用LSMS-ISA数据的人，研究人员不应该使用MERRA-2或ERA5的降雨数据。在没有相反证据的情况下，我们不能假设MERRA-2或ERA5中的测量误差仅限于LSMS-ISA，这意味着研究人员在使用其他撒哈拉以南非洲国家或其他大陆国家的家庭数据时，可能希望将其作废研究人员可能希望证明他们的结果对从不同遥感产品中选择天气数据的稳健性。

同样，当天气数据对识别策略至关重要时，结果不应对遥感产品的选择敏感。虽然啁啾、CPC、ARC2和Tamsat之间的选择不太可能重要，但温度积的选择可能会以难以预测的方式重要。虽然我们的分析基于六个国家的LSMS-ISA家庭的农业生产，但我们相信我们的结论适用于热带地区的其他国家，并且在农业生产以外的其他国家有效。虽然结果是特定于特定背景的，但在我们的案例中，背景极其广泛。我们的结果都不取决于单一结果、单一模式、单一年份、单一国家或单一地区。我们的分析着眼于多个模型规格。我们的数据跨越十多年，来自非洲东部、西部和南部的国家，这些国家的农业生态区域和秋季模式存在不同的变化。虽然我们的两项成果都是衡量农业生产率的指标，许多使用天气数据调查非农业成果的论文证明了使用天气识别的合理性，因为天气识别与农业生产力以及生产力与感兴趣的非农业成果的关系有关（Jayachandran，2006；Desch^ene and Greenstone，2007；Corno等人，2020）。因此，我们相信我们的结论，以及基于这些结论的最佳实践，对遥感天气数据在经济学中的应用具有广泛的适用性。5.2未来工作目前正在对这项工作进行一些扩展。

其中一些与我们的预分析计划中定义的数据和分析有关，而另一些则是探索性的，因为它们不是预先规定的。就预先规定的要素而言，我们目前正在努力纳入马里的数据以及其他天气指标。来自马里的LSMS-ISA数据来自两轮，但这些轮不是面板数据，因此我们不能将其作为当前分析的一部分，其中包括六个模型规格中四个的家庭固定影响。我们还致力于纳入天气变量指数（例如蒸散量、需水量满足指数、帕尔默干旱严重指数、标准化降水蒸散指数）。这些额外的天气指标是预分析计划的一部分，但不能为所有遥感产品生成。因此，为了保持产品的盲目性，我们从当前分析中排除了这些指数。OSF和inMichler等人（2021年）提供了有关我们预先规定分析的完整范围的更多详细信息。关于探索性分析，目前我们有四个研究问题需要回答。首先是结果因农业生态区而异的程度。本文的分析侧重于全国的差异，即LSMS-ISA中收集和组织数据的水平。经济学研究人员经常使用国家代表性数据或单个国家内的区域数据进行研究。然而，天气的相关组织结构不是一个国家的政治边界，而是形成不同农业生态区的地理位置。我们计划复制当前的大部分分析，忽略跨国家的差异，转而关注农业生态区的差异。

我们研究这个问题的目的是确定一些气象指标或遥感产品在一个农业生态区与另一个农业生态区的表现是否更好。如果是这种情况，这表明使用国家数据的研究人员可能需要使用不同的指标来衡量该国不同地区家庭的天气，或者可能需要使用来自不同遥感源的数据，具体取决于家庭生活在哪个农业生态区。我们计划探讨的第二个研究问题是，纳入固定住房影响对结果的影响程度。在这里，整合马里的横断面数据至关重要。此外，我们还将纳入马拉维的两组横截面数据和坦桑尼亚的一组横截面数据。我们的目标是解开这篇论文中的结果，即一旦我们控制了时间不变的家庭不可观测数据，天气是多么无关紧要。虽然面板数据在发展中国家变得越来越普遍，但许多研究人员仍然依赖横截面数据。我们感兴趣的是了解由于无法控制家庭不可观测数据，使用横截面数据的结果可能存在偏差的程度。如果天气在横截面环境中很重要，但一旦控制了家庭中不可观测的时不变因素，天气就不再重要，则表明天气可能无法满足将其用作仪器变量所需的排除限制。我们的第三个研究问题是，在多大程度上正确指定天气数据对使用天气数据至关重要。尼日利亚北部和南部的生长季节不同，乌干达不同地区的生长季节也不同。为了解释这些差异，我们为这些国家的家庭指定了不同的季节。

但是，即使在马拉维这样一个只有单一单一模式生长季节的国家，该季节的开始和结束日期也可能因家庭所在地而异。坦桑尼亚的差异可能更加明显，我们未能解释这种差异可能解释为什么与其他五个国家相比，该国的天气似乎无关紧要。确定生长季节的问题是遥感天气数据使用中潜在测量误差的另一个例子。我们计划根据LSMS-ISA数据中自我报告的种植日期，探索在家庭层面确定生长季的方法，同时使用遥感数据确定降雨的影响。如果生长季节的定义真的很重要，这表明研究人员需要更加小心地确定从哪些天或月份获取天气数据。我们最后的研究问题是，机器学习方法是否可以有效地用于选择天气指标和遥感源。我们的方法依赖于传统的回归技术来估计大量的回归，然后确定哪些指标对大量结果至关重要。然而，这些研究问题似乎也非常适合许多机器学习技术，尤其是特征选择。我们有兴趣了解机器学习算法的结果如何与我们使用传统回归分析的结果相匹配。6结论在本文中，我们研究了各种来源的测量误差对农业生产力建模的重要性和程度。

使用aset气象产品的地理空间天气数据和六个撒哈拉以南非洲国家的地理参考住户调查数据，我们能够提供测量误差的系统证据，这与对大量作物和国家的天气指标进行空间测量有关。我们发现，虽然提取方法不会在分析中引入大量测量误差，但结果取决于天气指标的选择和遥感数据源的选择。基于这些结果，我们为寻求将遥感天气与家庭调查数据结合使用的经济学家提出了一套最佳实践。这项工作有助于正在进行的一系列研究，探索测量误差对农业生产和农业生产力估计的影响。以前的工作主要关注自报数据中的测量误差，如土地面积、收获量和种子品种。我们通过报告遥感天气数据中测量误差的程度、农场或住户GPS坐标模糊导致的不准确度，以及使用不符合目的的天气指标导致的不准确度，为本文献做出了贡献。遥感天气数据的使用在经济学研究中已变得普遍。气象数据已被用作研究农业生产和生产力的解释变量，也被用作身份识别策略的一部分，以解释从移民到人力资本开发到经济增长到技术采用的一切。我们的结果表明，使用天气数据时必须小心，因为这些数据中的测量误差可能会极大地改变结果。参考Sabay，K.A.（2020年）。农业数据中的计量误差及其对现代农业投入边际收益的影响。