《Fish and Fisheries》：Addressing Bias in Non-Probability Fisheries Surveys Using Multilevel Regression and Poststratification Approaches
编辑推荐：
量化鱼类资源捕捞量具有挑战性，因为往往缺乏人口普查数据，因此需依赖调查。传统基于概率(probability-based)的调查采用随机抽样获取代表性数据并放大至总体以估算总影响，但成本高昂，故更廉价、由自愿参与者构成的非概率(non-probability)
量化鱼类资源捕捞量具有挑战性，因为往往缺乏人口普查数据，因此需依赖调查。传统基于概率(probability-based)的调查采用随机抽样获取代表性数据并放大至总体以估算总影响，但成本高昂，故更廉价、由自愿参与者构成的非概率(non-probability)公民科学(citizen science)调查日益普遍。此类调查的受访者可能不具代表性且纳入概率(inclusion probabilities)未知，导致加权困难。这类似于投票站出口调查(exit polls)，后者利用多层回归与后分层(Multi-level Regression and Post-stratification, MRP)成功预测选举结果，但该方法尚未在渔业中检验。本研究应用MRP，利用英国海钓日记项目(UK Sea Angling Diary Project)数据量化英国休闲海钓(recreational sea angling, RSA)参与率及渔获量。此为"最差情形"场景——无抽样框(sampling frame)且无强制报告。研究人员对两套调查数据集拟合五个贝叶斯(Bayesian)多层模型：一套量化参与率与垂钓天数，另一套量化渔获地点、尾数及重量。预测结果利用英国人口普查数据进行后分层(post-stratification)。比较传统再加权(traditional reweighting)与MRP的估计值，并采用模拟方法评估两方法准确度与精密度(precision)。MRP降低了自我选择偏差(self-selection bias)，改善代表不足组的估计，参与率与渔获量分别提升40%和61%的估计改善效果。估算英国年均RSA参与钓手约688,000人，年垂钓日数610万天；年渔获估算为3240万尾鱼，重14,876 t。本研究证明MRP在分析及放大非概率收集的调查数据时可有效降低偏差。
论文解读：应用多层回归与后分层(MRP)校正非概率渔业调查偏差——以英国休闲海钓调查为例
一、研究背景与立题依据
传统渔业及人类活动影响调查多采用分层概率抽样(stratified-probabilistic sampling)，依靠已知非零纳入概率进行设计型(design-based)估计与后分层推算总量。然而休闲海钓(recreational sea angling, RSA)等活动缺乏完整抽样框(sampling frame)（如无强制许可证制度），且概率调查成本高、响应率下降致非响应偏差(non-response bias)。当前常用便利抽样(convenience sampling)或公民科学(citizen science)自填日记（如Sea Angling Diary），属非概率样本，存在自我选择偏差(self-selection bias)——高频、资深钓手过度代表，低频或边缘群体代表不足，且纳入概率未知，传统设计加权失效。政治学与公卫领域已广泛用多层回归与后分层(Multi-level Regression and Post-stratification, MRP / Mister P)校正此类偏差，但渔业文献中未见应用。英国RSA渔获未被充分计入资源评估，而RSA移除量可观，忽视之危及可持续管理。因此研究人员开展本研究，检验贝叶斯MRP能否优于传统加权法校正非概率RSA调查偏差，并给出英国RSA参与人数、努力量(effort)与渔获量全国估算。论文发表于《Fish and Fisheries》。
二、主要关键技术方法概述
研究人员整合两套数据源与人口普查数据：(1) Watersports Participation Survey(WPS, 2016–2019)：面访概率调查，按政府办公区(Government Office Region, GOR)和社会等级分层随机抽样，询问过去12个月是否参与海钓及年垂钓天数(avidity/effort)，用于参与率与avidity建模；(2) Sea Angling Diary(2016–2023)：志愿网络招募公民科学日记，记录每次出钓物种、尾数、保留/放流及体长，用于渔获率(catch per unit effort, CPUE)、空间分布(ICES分区)与体长–体重关系建模；(3) 英国国家统计局(Office for National Statistics, ONS)16岁以上人口按年龄、性别、地区分层计数及各地区钓鱼俱乐部数为辅助变量。所有模型于贝叶斯框架以brms(R)+cmdstanr拟合。依次拟合：伯努利(Bernoulli)参与模型、对数正态(log-normal)avidity模型（连续变量处理努力量）、零膨胀负二项(zero-inflated negative binomial, ZINB)渔获模型（含日记者随机效应）、多项logistic ICES分区模型、对数正态个体鱼体重模型。后分层时将各成分模型后验预测乘人口普查格(poststratum)并求和聚合，不确定度由后验抽样传播。模拟研究以WPS重抽样构建"真实总体"，分别用MRP与传统分层加权(extrapolation weighting)重复估算并比较均方误差(MSE)、平均绝对误差(MAE)与R2。
三、研究结果
3.1 Data Collection
WPS每年调查约12,500人，识别海钓者107–168人，人均年垂钓日9–13天；Sea Angling Diary累计近5000名钓手贡献超48,000次出钓与362,000条渔获记录。日记样本中高龄、高avidity钓手比例偏高，证实自选择偏差。
3.2 Estimating Participation and Sea Bass Catches
多层模型收敛良好(R-hat=1，ESS>800)。参与率与avidity后验预测贴合WPS原始数据(1.2%、9.5天)；去日记者随机效应偏置校正(bias-corrected)后，人均年渔获降至全物种59尾(降29%)、欧洲海鲈(Dicentrarchus labrax)2.8尾(降28%)，平均体重降至全种0.49 kg、海鲈0.5 kg。MRP估算英国年均RSA参与者577,000–745,000人(中心约688,000)，年垂钓日610万天；年总渔获约3240万尾(留6.48百万尾/3428 t，放25.92百万尾/11,448 t)，合14,876 t生物量。相比传统加权，MRP区域相对标准误(RSE)更低、估计更稳，对低avidity少样本组改善明显。
3.3 Testing Competing Methods
模拟显示MRP较传统加权参与人数估算平均绝对偏差由43,670降至26,373，改善40%；海鲈总渔获MAE由176,743降至68,734尾，改善61%。MRP的MSE更低、R2更高，证明在非概率日记数据外推中MRP精度与准确度均优于传统设计加权。
四、讨论与结论翻译
研究人员讨论指出，贝叶斯MRP框架成功整合概率(WPS)与非概率(Sea Angling Diary)调查，提供比传统加权更精确、空间与时间分辨更高的RSA参与及渔获移除估算，对休闲渔获占相当比例的种类资源管理至关重要，推荐未来英国RSA统计生成中纳入MRP以整合非概率数据。MRP优势在于通过部分汇集(partial pooling/"借力")由代表充分组推断代表不足组，以连续变量建模avidity免离散分层，并借多层结构吸收日记者异质性降低极端值影响；局限包括模型依赖强辅助协变量与正确设定、长度测量潜在选择性偏差、WPS回忆与日记观察avidity差异等，需概率现场调查验证。传统设计加权在高质量概率样本仍优选，但稀疏或异质非概率样本下MRP MSE更低。未来可探索概率与便利混合抽样、与raking/倾向得分加权对比及更多生态公民科学应用。
研究结论（翻译）： 本研究成功开发并应用基于贝叶斯MRP的方法，跨多套调查评估英国各物种休闲海钓参与及渔获——这一传统上数据匮乏的部门。模拟验证表明参与率及海鲈渔获估算贴近调查衍生真值。MRP较传统加权生成更精确的空间与时间尺度休闲移除估算，为渔业管理提供关键数据，可侦测资源量与钓手行为趋势。对休闲渔获贡献显著种类的资源评估尤为重要。因此建议未来编制英国海钓统计量时，采用MRP整合非概率数据。
