How robust are Bayesian posterior inferences based on a Ricker model with regards to measurement errors and prior assumptions about parameters?
Notice bibliographique
Résumé
We present a Bayesian approach of a Ricker stock-recruitment (S/R) analysis accounting for measurement errors on S/R data. We assess the sensitivity of posterior inferences to (i) the choice of Ricker model parameterizations, with special regards to management-related ones, and (ii) prior parameter distributions. Closed forms for Ricker parameter posterior distributions exist given S/R data known without error. We use this property to develop a procedure based on the RaoBlackwell formula. This procedure achieves integration of measurement errors by averaging these closed forms over possible S/R data sets sampled from distributions derived from a stochastic model relating field data to the S and R variables. High-quality Bayesian estimates are obtained. The analysis of the influence of different parameterizations and of the priors is made easier. We illustrate our methodological approach by a case study of Atlantic salmon (Salmo salar). Posterior distributions for S and R are computed from a markrecapture stochastic model. Ignoring measurement errors underestimates parameter uncertainty and overestimates both stock productivity and density dependence. We warn against using management-related parameterizations because it makes the strong prior assumption of long-term sustainability of stocks. Posterior inferences are sensitive to the choice of prior. The use of informative priors as a remedy is discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,425 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».