Developing robust frequentist and Bayesian fish stock assessment methods
Notice bibliographique
Résumé
Abstract Errors in fitting models to data are usually assumed to follow a normal (or log normal) distribution in fisheries. This assumption is usually used in formulating likelihood functions often required in frequentist and Bayesian stock assessment modelling. Fisheries data are commonly subject to atypical errors, resulting in outliers in stock assessment modelling. Because most stock assessment models are nonlinear and contain multiple variables, it is difficult, if not impossible, to identify outliers by plotting fisheries data alone. Commonly used normal distribution‐based frequentist and Bayesian stock assessment methods are sensitive to outliers, resulting in biased estimates of model parameters that are vital in defining the dynamics of fish stocks and evaluating alternative strategies for fisheries management. Because of the high likelihood of having outliers in fisheries data, frequentist or Bayesian methods robust to outliers are more desirable in fisheries stock assessment. This study reviews three approaches that can be used to develop robust frequentist or Bayesian stock assessment methods. Using simulated fisheries as examples, we demonstrate how these approaches can be used to develop the frequentist and Bayesian stock assessment approaches that are robust to outliers in fisheries data and compare the robust approaches with the commonly used normal distribution‐based approach. The proposed robust approaches provide alternative ways to developing frequentist or Bayesian stock assessment methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
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 tête enseignante, 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 ».