Bayesian space–time varying coefficient modeling for climate econometrics: A spatial–temporal Gaussian process approach
气候计量中的贝叶斯时空变系数建模：时空高斯过程方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确利用面板数据估计地区与时间异质的天气影响，并以农业产量为应用对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
气候计量中的贝叶斯时空变系数建模：时空高斯过程方法
- 研究问题
- 研究天气变量的经济影响如何随地区和时间变化，以及这种异质性能够提供哪些有关气候适应的信息。
- 方法与思路
- 作者提出使用面板数据的贝叶斯层级模型，以高斯过程先验刻画时空变系数，并应用于美国玉米带产量。
- 材料陈述的贡献
- 摘要称模型在玉米产量应用中优于若干替代方法，结果与已有研究一致，并提供气候适应的局部差异信息。
- 阅读关注点
- 应核对时空协方差和先验设定、天气变量的识别处理，以及替代模型、评价指标和适应解释的依据。
- 阅读边界
- 解读限于所给 RePEc 出版社摘要；未说明优于替代方法的评价维度、识别条件或效应数值，不能自动确认因果解释。
原文摘要
Quantifying the economic impacts of weather variables has been a key empirical topic in understanding the impacts of climate change. While panel methods, which utilize cross-sectional differences in within-unit over-time changes in weather variables, have been widely used to credibly identify the average effect of interest, there has been a growing interest in understanding the distribution of potentially heterogeneous weather effects. The heterogeneity of the effects across space and time, which can shed light on the differences in the local capacity of adaptation across regions or its evolution over time, provides important insights into developing climate policies. In this paper, we propose a novel Bayesian hierarchical modeling approach to estimate heterogeneous effects of weather variables using panel data. Our proposed approach models space–time varying coefficients via Gaussian process priors. Using the data of the corn yield from the US corn belt, we show that our proposed model outperforms several alternatives. Our findings are consistent with the literature and also provide additional insights into the localized nuances of climate change adaptation.