Effects of process and observation errors on effective sample size of fishery and survey age and length composition using variance ratio and likelihood methods
Notice bibliographique
Résumé
Abstract Hulson, P-J. F., Hanselman, D. H., and Quinn, T. J. II. 2011. Effects of process and observation errors on effective sample size of fishery and survey age and length composition using variance ratio and likelihood methods. – ICES Journal of Marine Science, 68: 1548–1557. Observations of age or length composition from fisheries or research surveys are modelled frequently with the multinomial distribution. Violations of multinomial assumptions in data collection usually cause overdispersion of observations and consequent underestimation of uncertainty. This has led to the adoption of an effective sample size less than the actual sample size to approximate the likelihood function for age or length composition better in, for example, fishery stock assessment models. The behaviour of effective sample size is examined under different scenarios for population age distribution and sampling design. Effective sample size was approximated with three approaches: (i) the ratio of multinomial to empirical variance; (ii) sampling estimation; and (iii) the Dirichlet likelihood. The most significant changes in effective sample size were attributable to process error involving aggregation of ages within schools. In terms of observation error, effective sample size can be increased by increasing the number of tows from which samples are obtained for age or length composition, then, because of the reduced uncertainty in effective sample size, the Dirichlet likelihood can be integrated into the objective function of fishery stock assessment models to estimate the effective sample size in future assessments.
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 | 0,163 | 0,426 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».