A Machine Learning Approach to Measuring Climate Adaptation
用机器学习测量气候适应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：摘要明确在面板中估计天气变化对农业产出的短长期影响，并将差异解释为适应，对应面板与因果推断。
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…
关注这篇论文的作者
用机器学习测量气候适应
- 研究问题
- 能否通过比较破坏性天气短期与长期变化的产出弹性衡量气候适应，并在高维面板中灵活刻画两类影响的差异？
- 方法与思路
- 作者提出面板环境下的去偏机器学习弹性估计，使用模拟比较常规机器学习与最小二乘，并分析美国玉米和大豆的高温暴露。
- 材料陈述的贡献
- 摘要称，去偏方法在高维模拟中有明显收益；农业应用显示高温短期损害在长期显著减弱，且长期影响的函数形式不同。
- 阅读关注点
- 应核对短期与长期变化的构造、弹性目标和因果识别条件，以及去偏估计的实现，审查函数形式差异为何能支持适应解释。
- 阅读边界
- 依据的是 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明完整识别假设或效应数值，长期差异能否归因于适应仍须核对。
原文摘要
I measure adaptation to climate change by comparing elasticities from short-run and long-run changes in damaging weather. I propose a debiased machine learning approach to flexibly measure these elasticities in panel settings. In a simulation exercise, I show that debiased machine learning has considerable benefits relative to standard machine learning or ordinary least squares, particularly in high-dimensional settings. I then measure adaptation to damaging heat exposure in United States corn and soy production. Using rich sets of temperature and precipitation variation, I find evidence that short-run impacts from damaging heat are significantly offset in the long run. I show that this is because the impacts of long-run changes in heat exposure do not follow the same functional form as short-run shocks to heat exposure.