Fitting Surplus Production Models: Comparing Methods and Measuring Uncertainty

Abstract

School of Fisheries WH-I 0, University of Washington, Sea ttk, WA 98 1 95, USA Polacheck, T., 8. Hilborn, and A.E. Punt. 1 993. Fitting surplus production models: comparing methods and measuring uncertainty. Can. J. Fish. Aquat. Sci. 50: 2597-2607.Three approaches are commonly used to Fit surplus production models to observed data: effort-averaging methods; process-error estimators; and observation-error estimators. We compare these approaches using real and simulated data sets, and conclude that they yield substantially different interpretations of productivity. Effort-averaging methods assume the stock is in equilibrium relative to the recent effort; this assumption is rarely satisfied and usually leads to overestimation of potential yield and optimum effort. Effort-averaging methods will almost always produce what appears to be "reasonable" estimates of maximum sustainable yield and optimum effort, and the r2 statistic used to evaluate the goodness of fit can provide an unrealistic illusion of confidence about the parameter estimates obtained. Process-error estimators produce much less reliable estimates than observation-error estimators. The observation-error estimator provides the lowest estimates of maximum sustainable yield and optimum effort and is the least biased and the most precise (shown in Monte-Carlo trials). We suggest that observation-error estimators be used when fitting surplus production models, that effort-averaging methods be abandoned, and that process-error estimators should only be applied id simulation studies and practical experience suggest that they will be superior to observation-error estimators.On emploie commun6ment trois methodes pour ajuster les moddes de production exc6dentaire aux r6sultats observes; il y a les methodes de la moyenne d'effort, les estimateurs des erreurs de traitement ainsi que les estimateurs des erreurs d'observation. Nous comparons ces trois demarches au moyen d'ensembles de donn6es reelles et simul6es, et nous parvenons A la conclusion que ces m6thodes conduisent A des interpretations largement diff6rentes de la productivite. Les methodes fond6es sur les moyennes d'effort suppssent que le stock est en kquilibre relativement 2 Ifeffort recent; c'est rarement le cas, mais cela conduit ordinairemerit A une surestimation du rendement potentiel et de I'effort optimal. Ces mkthodes produiront presque toujours ce qui semble Gtre des estimations (( raisonnables D du rendement soutenable maximal et de I'effort optimal, et la valeur statistique r2 qui sert h 6vaiuer la validit6 de i'ajustemeeat peut donner I'illusion nori fondee de confiance dans les estimations des paramkres qui sont obtencres. bes estimateurs d'erreurs de traitement donnent des estimations beaucoup moins fiables que les estimateurs des erreurs d'observation. Ces derniers conduisent aux estimations les plus faibles de rendement soutenable maximal et d'efiort optimal; ce sont aussi les estimateurs les plus pr6cis et qui cornportent le moins d'erreur systkmatique (selon la mkthode Monte-Carlo). Nous ...

Stochastic estimation of the catchability and recruitment of the jumbo squid Dosidicus gigas (D'Orbigny, 1835) Of The Gulf Of California, Mexico

“…Polacheck et al (1993) demostraron que la fuente de variación más importante en los modelos que usan la CPUE es el error de observación. El problema principal es la forma en que importantes cantidades de manejo en pesquerías son subestimadas o sobrestimadas.…”

“…Con este enfoque, se analizó una hipótesis de error de observación (Hilborn y Walters, 1992;Polacheck et al, 1993;Morales-Bojórquez, 1999). El error de observación fue analizado bajo tres distintos enfoques, en cuyos casos, se consideraron los siguientes supuestos en la medición de la CPUE y de C i : (a) Error de observación en el índice de CPUE El dato simulado del índice de CPUE se construyó a partir de datos simulados de captura (C sim ) y esfuerzo (f sim ), donde:…”

“…With this approach, an observation error hypothesis (Hilborn and Walters, 1992;Polacheck et al, 1993;Morales-Bojórquez, 1999) was analyzed under three different approaches, in which cases, the following assumptions were considered in measuring both the CPUE and the C i :…”

“…(c) Error de proceso (ρ) y tasa de confianza El error de proceso (ρ) se define como las diferentes fuentes de variación que modifican el ajuste del modelo a los datos (Polacheck et al, 1993;Punt y Hilborn, 1996;MoralesBojórquez, 1999). Para el modelo determinístico de Rosenberg et al (1990) ρ fue estimada como:…”

“…The process error (ρ) is defined as the several variation sources that modify the model fit to data (Polacheck et al, 1993;Punt and Hilborn, 1996;Morales-Bojórquez, 1999). For the deterministic model by Rosenberg et al (1990), ρ was estimated as:…”