One-step ahead Forecast Residuals and Deletion Diagnostics for State-Space Assessment Models

Using a simulated random walk with multiple age classes to approximate a state-space fisheries stock assessment model we assess how model mis-specification appears under different residual methods. Multiple cases of model mis-specification are tested on the residual methods including Pearson, Leave-one-out (LOO), One-step Ahead (OSA), and alongside others. We found that some methods like Pearson and LOO perform similarly for indicating the mis-specification. OSA residual patterns are impacted by the ordering of the data and so may be misleading about the source of the mis-specification. We also found that tests of normality on OSA residuals do not necessarily reveal model mis-specification as much as might be expected.

Résidus de prévision à une étape d'avance et diagnostics de suppression pour les modèles d'évaluation de l'espace d'état

En utilisant une marche aléatoire simulée avec plusieurs classes d'âge pour approcher d'un modèle d'évaluation des stocks halieutiques dans un espace d'état, nous évaluons de quelle façon la mauvaise spécification du modèle survient en fonction de différentes méthodes résiduelles. De multiples cas de mauvaise spécification du modèle sont testés sur les méthodes résiduelles Pearson, « Leave-one-out » (LOO) et à une étape d'avance (One Step Ahead, ou OSA), entre autres. Nous avons constaté que certaines méthodes comme Pearson et LOO ont des performances similaires en ce
qui concerne l'indication d'une mauvaise spécification. Les modèles résiduels OSA sont influencés par l'ordre des données et peuvent donc induire en erreur quant à la source de la mauvaise spécification. Nous avons également constaté que les tests de normalité sur les résidus OSA ne révèlent pas nécessairement une mauvaise spécification du modèle autant qu'on pourrait s'y attendre.

Session

Statistical inference for nonlinear mixed-effects models in fisheries and ecological studies

Date and Time