Estimating Earth's Temperature Response with Transformed and Augmented OLS
用变换与增广最小二乘估计地球温度响应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：摘要使用多重协整与半参数时间序列估计研究辐射强迫和温度的长期关系。
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
用变换与增广最小二乘估计地球温度响应
- 研究问题
- 如何用辐射强迫与地表温度的长期关系估计平衡气候敏感度，并应对强迫创新的非高斯性及短期动态设定误差？
- 方法与思路
- 作者以多重协整刻画长期关系，首次将半参数变换与增广普通最小二乘估计用于该模型，并分析三组数据配对。
- 材料陈述的贡献
- 摘要报告平衡气候敏感度估计为 1.81—2.49℃，低于所引研究的主要极大似然估计，并称该方法对短期动态误设稳健。
- 阅读关注点
- 应核对多重协整设定、非高斯诊断及稳健性条件，以及数据配对、敏感度参数映射和与极大似然比较时的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核验；摘要未给出区间或证明，且明确线性全球均值模型无法刻画状态依赖反馈与区域差异。
原文摘要
The long-term relationship between radiative forcing and surface temperature is central to predicting the impacts of climate change. This study employs multicointegration to characterize this relationship and provides the first application of the Transformed and Augmented Ordinary Least Squares (TAOLS) estimator to estimate the multicointegration model. The main objective is to estimate the Equilibrium Climate Sensitivity (ECS), defined as the global mean surface temperature increase following a doubling of atmospheric carbon dioxide. Diagnostic tests reveal that radiative forcing innovations are strongly non-Gaussian, providing a key motivation for applying semiparametric TAOLS rather than the parametric Gaussian maximum likelihood method. TAOLS is also robust to misspecification of the short-run dynamics. Using the three data pairings of Bruns et al. (2020), we obtain TAOLS estimates of ECS ranging from $1.81^{\circ}$C to $2.49^{\circ}$C, consistently below their main maximum likelihood estimate of $2.80^{\circ}$C. Because the model we use is linear and is based on global-mean data, it cannot capture state-dependent feedbacks or regional differences; extending TAOLS along either dimension is a natural next step.