Accounting for age measurement errors in fish growth \nmodel estimation using length-stratified age sampling \ndata
Notice bibliographique
Résumé
Fish growth models are crucial for fisheries stock assessments and are commonly estimated \nusing fish length-at-age data. This data is widely collected using length-stratified \nage sampling (LSAS), a cost-effective two-phase response-selective method. The data may \ncontain age measurement errors. We propose a methodology that remarkably reduces the \nbias in the estimation of fish growth for LSAS data with age measurement errors. The proposed \nmethods use empirical proportion likelihood methodology for LSAS and the structural \nerrors in variables methodology for age measurement errors. We provide a measure \nof uncertainty for parameter estimates and standardized residuals for model validation. \nTo model the age distribution, we employ a continuation ratio-logit model consistent \nwith the random nature of the true age distribution. We also apply a discretization approach \nfor age and length distributions, which significantly improves computational efficiency and \nis consistent with the discrete age and length data typically encountered in practice. The \nsimulation study shows that neglecting age measurement errors can lead to significant bias \nin growth estimation, even with small but nonnegligible age measurement errors. However, \nour new approach performs well regardless of the magnitude of age measurement \nerrors and accurately estimates standard errors of parameter estimates. Real data analysis \ndemonstrates the effectiveness of the proposed model validation device. Computer codes \nto implement the methodology are provided.
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».