Bayesian state-space modeling of age-structured data

Explicit modeling of process variability in the dynamics of fisheries is motivated by a desire to incorporate more realism into stock assessment models, and much recent research effort has been devoted to the computational features of fitting state-space models for this purpose. Here, we extend the Bayesian application of nonlinear state-space modeling to sequential population analysis of age-structured data using a model formulation that allows for unreported catches and incidental fishing mortality. It is shown that, once a familiarity with the general-purpose Bayesian software BUGS is acquired, implementing a state-space model is a relatively simple task. Indeed, this application requires just 18 lines of code in its entirety and does not require the programmer to know the formulae for any prior density functions or likelihoods. Consequently, we suggest that this methodology may permit the implementation phase of nonlinear state-space modeling to be relegated, thereby allowing more effort to be devoted to the challenging issues of model checking, selection/averaging, sensitivity, and prior specification.

La modélisation explicite de la variabilité des processus en dynamique des pêches découle de l'intention de rendre plus réalistes les modèles d'évaluation des stocks, et beaucoup de recherches ont été consacrées récemment aux caractéristiques computationnelles de l'ajustement des modèles état-espace. Dans le présent cas, nous étendons l'application bayésienne de la modélisation non-linéaire état-espace à l'analyse séquentielle de population de données structurées par âges en faisant appel à une formulation du modèle qui permet de tenir compte des captures non signalées et de la mortalité par pêche accidentelle. Il est montré que l'utilisation d'un modèle état-espace s'avère relativement simple une fois que l'on connaît assez bien le logiciel bayésien général BUGS. Une telle application n'exige que 18 lignes de codes au total et le programmeur n'a pas à connaître les formules des fonctions de densité ou de ressemblance antérieures. Nous croyons donc que cette méthode pourrait permettre de délaisser l'étape de mise en oeuvre de la modélisation non-linéaire état-espace et ainsi de consacrer plus d'efforts aux questions plus intéressantes de la vérification, du choix/de la mise en moyenne, de la sensibilité et de la définition antérieure des modèles.