Recommendations for estimating and detecting time-varying spawner-recruit dynamics in fish populations
Notice bibliographique
Résumé
Models that account for time-varying dynamics are increasingly used in population assessments in recognition of changing biological and environmental conditions. We performed a systematic simulation analysis based on a semelparous life history to evaluate the performance of various Ricker spawner-recruit models including stationary, random-walk, and regime shift models, that offer various interpretations of time-varying dynamics. Estimation models that allowed parameters to vary following random-walks tended to perform equally well or outperform regime shift and stationary models. However these results were not consistent across all scenarios examined. We also evaluated the performance of model selection criteria commonly used to identify time-varying processes. Both likelihood based model selection criteria (AICc and BIC) and cross-validation methods (LFO) were found to be unreliable, with a few exceptions. Changes in productivity were more identifiable than changes in capacity or both parameters, which were often indiscernible from stationary dynamics. The results were sensitive to the magnitude of parameter change and extent of residual variability (unexplained error), with greater changes and lower error being easier to accurately estimate and select. Given this context dependence for the accuracy of parameter estimates with time-varying models, and unreliable nature of selection criteria, we recommend that analysts conduct case-specific simulation-evaluations when model choices may have important and divergent management implications.
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 | 0,001 | 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) | 0,000 | 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 ».