Modeling and understanding the catch rate dynamics of marine species is extremely important for fisheries management and conservation. For oceanic highly migratory species in particular, usually only fishery‐dependent data are available which have limitations in the assumption of independence and if often zero‐inflated and/or overdispersed. We tested different modeling approaches applied to the case study of blue shark in the South Atlantic, by using generalized linear models (GLMs), generalized linear mixed models (GLMMs), and generalized estimating equations (GEEs), as well as different error distributions to deal with the presence of zeros in the data. We used fractional polynomials to deal with non‐linearity in some of the explanatory variables. Operational (set level) data collected by onboard fishery observers, covering 762 longline sets (1,014,527 hooks) over a 9‐year period (2008–2016), were used. One of the most important variables affecting catch rates is leader material, with increasing catches when wire leaders are used. Spatial and seasonal variables are also important, with higher catch rates expected toward temperate southern waters and eastern longitudes, particularly between July and September. Environmental variables, especially SST, also affect catches. There were no major differences in the parameters estimated with GLMs, GLMMs, or GEEs; however, the use of GLMMs or GEEs should be more appropriate due to fishery dependence in the data. Comparing those two approaches, GLMMs seem to perform better in terms of goodness‐of‐fit and model validation.

中文翻译：

---

比较兼捕物种捕获率的GLM，GLMM和GEE建模方法：以南大西洋蓝鲨渔业为例

对海洋物种的捕获率动态进行建模和理解对于渔业管理和保护极为重要。特别是对于高度迁徙的海洋物种，通常只能获得依赖于渔业的数据，这些数据在假设独立性方面存在局限性，如果经常是零膨胀和/或过度分散的话。通过使用广义线性模型（GLM），广义线性混合模型（GLMM）和广义估计方程（GEE），以及不同的误差分布，我们测试了适用于南大西洋蓝鲨案例研究的不同建模方法处理数据中零的存在​​。我们使用分数多项式来处理某些解释变量中的非线性。船上渔业观察员收集的业务（集合水平）数据，涵盖762个延绳钓集合（1个，使用了9年（2008-2016年）的014,527个钩子。影响捕获率的最重要变量之一是引线材料，当使用导线引线时，捕获数会增加。空间和季节变量也很重要，预计向温带南部水域和东部经度的捕获率更高，尤其是在7月至9月之间。环境变量，特别是SST，也会影响渔获量。使用GLM，GLMM或GEE估算的参数没有重大差异；但是，由于数据依赖渔业，因此更适合使用GLMM或GEE。与这两种方法相比，GLMM在拟合优度和模型验证方面似乎表现更好。影响捕获率的最重要变量之一是引线材料，当使用导线引线时，捕获数会增加。空间和季节变量也很重要，预计向温带南部水域和东部经度的捕获率更高，尤其是在7月至9月之间。环境变量，特别是SST，也会影响渔获量。使用GLM，GLMM或GEE估算的参数没有重大差异；但是，由于数据依赖渔业，因此更适合使用GLMM或GEE。与这两种方法相比，GLMM在拟合优度和模型验证方面似乎表现更好。影响捕获率的最重要变量之一是引线材料，当使用导线引线时，捕获数会增加。空间和季节变量也很重要，预计向温带南部水域和东部经度的捕获率更高，尤其是在7月至9月之间。环境变量，特别是SST，也会影响渔获量。使用GLM，GLMM或GEE估算的参数没有重大差异；但是，由于数据依赖渔业，因此更适合使用GLMM或GEE。与这两种方法相比，GLMM在拟合优度和模型验证方面似乎表现更好。预计向温带南部水域和东部经度的捕获率会更高，尤其是在7月至9月之间。环境变量，特别是SST，也会影响渔获量。使用GLM，GLMM或GEE估算的参数没有重大差异；但是，由于数据依赖渔业，因此更适合使用GLMM或GEE。与这两种方法相比，GLMM在拟合优度和模型验证方面似乎表现更好。预计向温带南部水域和东部经度的捕获率会更高，尤其是在7月至9月之间。环境变量，特别是SST，也会影响渔获量。使用GLM，GLMM或GEE估算的参数没有重大差异；但是，由于数据依赖渔业，因此更适合使用GLMM或GEE。与这两种方法相比，GLMM在拟合优度和模型验证方面似乎表现更好。