Les modèles d'évaluation des stocks sont vulnérables aux observations anormales (valeurs atypiques), ce qui peut entraîner des estimations biaisées des paramètres, une sous-estimation de l'incertitude et une mauvaise capacité de prédiction. Ceci est particulièrement vrai lorsque le nombre d’observations est relativement faible, puisqu’il y a moins de cas pour prévenir les anomalies. Il est donc conseillé d’identifier les points influents, d’analyser leur impact et d’essayer de trouver les raisons de leur présence, en se demandant par exemple s’ils sont dus à des erreurs de codage, à l’exclusion d’importantes variables explicatives, à la structure incorrecte du modèle, au comportement du pêcheur, à la gestion ou à la non stationnarité dans les processus biologiques ? Dans cet article, nous utilisons des diagnostics de régression, la procédure par eustachage et la validation par recoupement pour évaluer l’influence des observations individuelles de la série de capture par unité d’effort utilisée pour calibrer l’évaluation de l’analyse de population virtuelle du thon rouge de l’Atlantique Est et de la Méditerranée.

Stock assessment models are vulnerable to abnormal observations, which may result in biased estimates of parameters, underestimation of uncertainty, and poor prediction skill. This is especially true when the number of observations are relatively small since there are fewer cases to counter abnormalities. It is therefore advisable to identify influential points, explore their impact, and to try and find reasons for their occurrence, e.g. are they due to miscodes, exclusion of important explanatory variables, incorrect model structure, fisher behaviour, management or non-stationarity in biological processes? In this paper we use regression diagnostics, the jackknife and crossvalidation to evaluate the influence of individual observations from the catch per unit effort series used to calibrate the East Atlantic and Mediterranean bluefin Virtual Population Analysis assessment.

Los modelos de evaluación de stock son vulnerables a observaciones anormales, que podrían dar lugar a estimaciones sesgadas de los parámetros, a una subestimación de la incertidumbre y a una capacidad pobre de predicción. Esto es especialmente cierto cuando el número de observaciones es relativamente pequeño dado que existen menos casos para contar las anormalidades. Por tanto, es aconsejable identificar puntos influyentes, explorar su impacto e intentar hallar razones para que se produzcan, por ejemplo, ¿se deben a códigos erróneos, a la exclusión de importantes variables explicativas, a una estructura incorrecta del modelo, al comportamiento de los pescadores, a la ordenación o a la no estacionalidad en los procesos biológicos? En este documento se utilizan diagnósticos de regresión, el jacknife y la verificación cruzada para evaluar la influencia de las observaciones individuales a partir de las series de capturas por unidad de esfuerzo utilizadas para calibrar la evaluación del análisis de población virtual del atún rojo del Atlántico este y el Mediterráneo.