Forecasting crop yields through climate variables using mixed frequency data. The case of Argentine soybeans

• Magdalena Cornejo ^[1]
  1. [1] Universidad Torcuato Di Tella

     Universidad Torcuato Di Tella

     Argentina

     
• Localización: Económica: La Plata, ISSN-e 1852-1649, ISSN 0013-0419, Nº. 67, 2021
• Idioma: inglés
• Títulos paralelos:
  • Pronósticos del rendimiento de los cultivos a través de variables climáticas usando datos en frecuencias mixtas. El caso argentino
• Enlaces
  • Texto completo
• Resumen
  • español

    This article evaluates the value of information on climate variables published in advance and at a higher frequency than the target variable of interest -crop yields- in order to get short-term forecasts. Aggregate and disaggregate climate data, alternative weighting schemes and di erent updating schemes are used to evaluate forecasting performance. This study focuses on the case of soybean yields in Argentina. Results show that models including high frequency weather data outperformed particularly during the three consecutive compaigns after 2008/09 when soybean yield decreased almost by 50%. Furthermore, forecast combinations showed a better forecasting performance than individual forecasting models.

  • English

    Este artículo evalúa el valor de utilizar información sobre variables climáticas publicadas con anticipación y con una frecuencia superior a la variable objetivo de interés -los rendimientos de los cultivos- con el fin de obtener pronósticos a corto plazo. Se utilizan datos climáticos agregados y desagregados, esquemas de ponderación alternativos y diferentes esquemas de actualización para evaluar el desempeño de las predicciones. Este estudio se centra en el caso de los rendimientos de la soja en Argentina. Los resultados muestran que los modelos que incluyen datos meteorológicos de alta frecuencia obtuvieron mejores resultados, particularmente durante las tres campañas consecutivas después de 2008/09, cuando el rendimiento de la soja disminuyó en casi un 50%. A su vez, las combinaciones de pronóstico mostraron un mejor desempeño que los modelos de pronóstico individuales.