Когда рыбаки отправляются в их экспедициях в море, защищенные разновидности схвачены случайно в их сетях вместе с рыбой, предназначенной для продажи. Биологи собирают наборы данных на числе рыбы и числах сохранения разновидностей, таким образом, они могут изучить объем непредвиденной рыбалки и ее воздействия на морскую фауну.
Структура этих данных, известных, как «вложено», сложна, потому что это объединяет массу технической информации, такой как количество экспедиций или тип используемых лодок. Данные также делают запись суммы защищенной рыбы, пойманной в сетях в каждой рыболовной поездке. Однако некоторые разновидности – акула головки молотка – один такой случай – обычно не пойманы, мешая устанавливать модели, которые включают количество нулевых выгод для каждой разновидности. «До сих пор не было никакого общего статистического метода, который объединяет вложенную структуру данных с большим количеством нолей в наблюдениях», объясняет Эва Кантони, преподаватель в Научно-исследовательском центре для Статистики в Женевской Школе UNIGE Экономики и управлении (GSEM). «Таким образом, этот промежуток должен был быть заполнен, который мы сделали, настроив очень общую и гибкую модель, названную Моделью Препятствия Случайных Эффектов».
Сложность общностиСтатистики разработали новый метод с конечной целью представления управляемой рыбалки и сокращения bycatch. «Мы должны были принять диапазон во внимание динамики», продолжает Кантони. «Цель не состояла в том, чтобы только проанализировать изменения в количестве выгод со временем, но также и изучить различные сезоны и погоду, все время включающую в технические условия: глубина сетей, сезоны (как я уже упомянул), тип используемых крюков, использовались ли легкие палки или нет, и вид судна». На основе этих данных исследователи определили легко подверженные воздействию условия (такие как глубина крюков), который уменьшит объем нерыночных разновидностей, которые пойманы.Статистики тогда создали новую методологию, которая объединила более старые модели, специализирующиеся или на вложенных структурах или на нулевом управлении. «Трудность заключается в объединении этих двух аспектов, гарантируя, что модель была максимально общей так, чтобы это могло приспособиться ко многим ситуациям», говорит Джоанна Миллз Флемминг от Отдела Математики и Статистики в Университете Далхаузи.
Чем более общий модель, тем более сложный она должна обработать. Современные методы моделирования использовались, чтобы оценить параметры модели (связанный, например, на глубину крюков) и их изменчивость.
Авторы продемонстрировали теоремы, которые определяют и определяют количество пределов погрешности для модели и ее предсказаний. Предотвращение непредвиденных выгод и поддержка экологической политики. Это моделирование означает, что теперь возможно оценить потенциал bycatches для сбора компромата. «Когда рыбаки дают нам свои данные о путешествии, мы можем предсказать непредвиденную выгоду для акул головки молотка, например, с большей точностью», заявляет Кантони. «Метод может использоваться, чтобы поддержать экологические политики, запрещая ловящий рыбу на определенной глубине в определенное время года, так как это включило бы слишком много bycatch», добавляет Алан Уэлш из Австралийского национального университета.
Модель заполняет статистический промежуток: ранее, не было никакой общей модели, способной к одновременному факторингу в комплекс, и не вложила структуры данных и высокое количество наблюдений, равных нолю. Сегодня, новая модель только служит коммерческой рыбалке: это может также использоваться в других областях со сложной структурой данных, включая медицинскую экономику, медицину и образовательную науку.