Skip to main content

Estimation of recruitment in catch-at-age models

Buy Article:

$50.00 plus tax (Refund Policy)


Management strategies must be designed to take into account the uncertainty inherent in fish populations and their assessments. Annual recruitment variation is an important component of uncertainty. Several methods that allow the estimation of annual recruitment in statistical catch-at-age models are described: (a) maximum likelihood estimation with no penalty on the annual recruitment residuals, (b) maximum likelihood estimation with a lognormal penalty on the annual recruitment residuals, (c) importance sampling to numerically approximate the marginal likelihood with a lognormal penalty on the annual recruitment residuals, and (d) full Bayesian integration using Markov Chain Monte Carlo with a lognormal prior on the annual recruitment residuals. Simulation analysis is used to test the performance of these methods. All four methods perform similarly at estimating quantities that are based on averaging or summing multiple estimates of annual recruitment; however the marginal likelihood method (c) and Bayesian integration (d) perform best at estimating annual recruitment and the standard deviation in annual recruitment residuals (R) when catch-at-age data is missing for some years. The ability to estimate R can be important for defining uncertainty when developing management strategies. The methods are applied to a New Zealand snapper (Pagrus auratus) stock and the estimate of R is approximately 0.6.

Les stratégies de gestion doivent être élaborées de manière à tenir compte de l'incertitude inhérente aux populations de poissons et à leurs évaluations. La variation annuelle du recrutement est une composante importante de cette incertitude. On trouvera ici la description de plusieurs méthodes qui permettent d'estimer le recrutement annuel à l'aide de modèles statistiques basés sur les captures en fonction de l'âge : (a) une estimation de vraisemblance maximale sans pénalité pour les résiduels du recrutement annuel, (b) une estimation de vraisemblance maximale avec une pénalité de type lognormal sur les résiduels du recrutement annuel, (c) un échantillonnage pondéré pour obtenir une approximation de la vraisemblance marginale avec une pénalité de type lognormal sur les résiduels du recrutement annuel et (d) une intégration bayésienne complète à l'aide de la méthode de Monte Carlo par chaîne de Markov avec un a priori de type lognormal sur les résiduels du recrutement annuel. Une analyse de simulation permet de vérifier la performance de ces méthodes. Les quatre méthodes fonctionnent de manière semblable dans l'estimation de valeurs basées sur la somme ou la moyenne d'estimations multiples du recrutement annuel; cependant, la méthode de vraisemblance marginale (c) et l'intégration bayésienne (d) sont les meilleures pour estimer le recrutement annuel et l'écart type des résiduels du recrutement annuel (R), lorsque les données de captures en fonction de l'âge sont absentes pour certaines des années. La capacité d'estimer R peut être importante pour définir l'incertitude dans l'élaboration de stratégies de gestion. Ces méthodes sont appliquées à un stock de dorades royales (Pagrus auratus) et l'estimation de R est d'approximativement 0,6. [Traduit par la Rédaction]

Document Type: Research Article

Publication date: October 1, 2003

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 Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
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