With big data come big problems: pitfalls in measuring basis risk for crop index insurance
大数据也有大问题：作物指数保险基差风险测量的陷阱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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究农业保险基差风险与高维协方差，未明确涉及尾部风险或金融系统性风险，难以对应所列细分。
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…
大数据也有大问题：作物指数保险基差风险测量的陷阱
- 研究问题
- 卫星产量数据包含大量田块但很少年份时，基差风险估计是否会向下偏，从而使作物指数保险质量被系统性高估？
- 方法与思路
- 作者使用美国与肯尼亚卫星产量数据估计和模拟偏误，并以高维小样本渐近及尖峰协方差模型分析首特征值占比。
- 材料陈述的贡献
- 摘要称推导了首特征值相对占比这一系统性风险指标的渐近分布，所得公式能较准确近似卫星数据模拟中的偏误。
- 阅读关注点
- 应核对基差风险与特征值占比的关系、田块和年份的渐近设定、尖峰结构假设，以及理论近似在不同样本中的适用性。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未报告偏误数值或模型条件，不能据此判断具体保险产品质量。
原文摘要
New satellite sensors will soon make it possible to estimate field-level crop yields, showing a great potential for agricultural index insurance. This paper identifies an important threat to better insurance from these new technologies: data with many fields and few years can yield downward biased estimates of basis risk, a fundamental metric in index insurance. To demonstrate this bias, we use state-of-the-art satellite-based data on agricultural yields in the US and in Kenya to estimate and simulate basis risk. We find a substantive downward bias leading to a systematic overestimation of insurance quality. In this paper, we argue that big data in crop insurance can lead to a new situation where the number of variables $N$ largely exceeds the number of observations $T$. In such a situation where $T\ll N$, conventional asymptotics break, as evidenced by the large bias we find in simulations. We show how the high-dimension, low-sample-size (HDLSS) asymptotics, together with the spiked covariance model, provide a more relevant framework for the $T\ll N$ case encountered in index insurance. More precisely, we derive the asymptotic distribution of the relative share of the first eigenvalue of the covariance matrix, a measure of systematic risk in index insurance. Our formula accurately approximates the empirical bias simulated from the satellite data, and provides a useful tool for practitioners to quantify bias in insurance quality.