Skip to main content

Least median of squares: a suitable objective function for stock assessment models?

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Robust fitting methods, intended for data sets possibly contaminated with invalid observations, are gaining increased use in analysis of fishery data. In particular, the method of least median of squares (LMS) has attracted attention. Its hallmark is high statistical resistance, which makes it immune to up to 50% contamination in the data. However, the same property makes it inefficient and can cause faulty fitting of typical fishery data. The LMS fit can be in conflict with important sections of a time series, a problem we illustrate by fitting a biomass dynamic (surplus production) model to simulated and actual fishery data. Additionally, we illustrate that LMS parameter estimates can be highly sensitive to small perturbations in the data. Other robust methods, like the method of least absolute values (LAV), appear less prone to such problems. A key reference on LMS recommends using the method as part of an exploratory procedure to identify outliers, rather than as an objective function for final model fitting. We concur with that recommendation.

Les méthodes d'ajustement robustes destinées aux ensembles de données potentiellement contaminées par des observations invalides sont de plus en plus utilisées dans l'analyse des statistiques de pêche. En particulier, la méthode des moindres médianes des erreurs au carré (LMS) a suscité beaucoup d'intérêt. Sa caractéristique principale est sa forte résistance statistique qui lui permet de supporter une contamination représentant jusqu'à 50 % des données. Cependant, cette même caractéristique la rend inefficace et peut occasionner un mauvais ajustement de données du type généralement obtenu dans les pêches. L'ajustement de LMS peut être en désaccord avec de longues sections des séries temporelles; c'est un problème que nous illustrons en ajustant un modèle dynamique de biomasse (de production excédentaire) à des données simulées et réelles de pêche. De plus, nous démontrons que les estimations des paramètres de LMS peuvent être très sensibles à de petites perturbations dans les données. D'autres méthodes robustes, telles que la méthode des moindres valeurs absolues (LAV), semblent moins sujettes à ces problèmes. Un travail essentiel sur les LMS recommande d'ailleurs d'utiliser la méthode comme une des procédures exploratoires pour identifier les données aberrantes, plutôt que comme fonction objective pour l'ajustement final du modèle. C'est là une recommandation que nous entérinons.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2002-09-01

More about this publication?
  • Published continuously since 1901 (under various titles), this monthly journal is the primary publishing vehicle for the multidisciplinary field of aquatic sciences. It publishes perspectives (syntheses, critiques, and re-evaluations), discussions (comments and replies), articles, and rapid communications, relating to current research on cells, organisms, populations, ecosystems, or processes that affect aquatic systems. The journal seeks to amplify, modify, question, or redirect accumulated knowledge in the field of fisheries and aquatic science. Occasional supplements are dedicated to single topics or to proceedings of international symposia.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free ContentFree content
  • Partial Free ContentPartial Free content
  • New ContentNew content
  • Open Access ContentOpen access content
  • Partial Open Access ContentPartial Open access content
  • Subscribed ContentSubscribed content
  • Partial Subscribed ContentPartial Subscribed content
  • Free Trial ContentFree trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more