Sequential Audit Sampling for Finite Populations with Exact and Simulation-based Guarantee
有限总体的序贯审计抽样：精确保证与模拟保证AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究有限总体序贯抽样与审计错误控制，财务审计场景不足以归入所列金融计量细分。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
有限总体的序贯审计抽样：精确保证与模拟保证
- 研究问题
- 当初始审计样本不足以支持结论而需要追加检查时，如何在有限总体不放回抽样中设置停止规则，控制两类错误结论的概率？
- 方法与思路
- 作者以容忍偏差率和间隔定义复合假设，用超几何递推计算停止边界；复杂状态下以模拟构造候选边界，再独立模拟验证错误界。
- 材料陈述的贡献
- 摘要称可精确计算简单随机抽样下的决策概率和期望样本量，并扩展至预定检查时点、样本量上限及模拟验证的单侧错误概率上界。
- 阅读关注点
- 应核对复合假设和无差别区间、最不利总体计数的确定、样本量上限下的决策规则，以及独立模拟验证提供的置信保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；精确递推与模拟置信界的保证不同，摘要未说明复杂抽样设计下是否仍成立。
原文摘要
Financial statement auditors use a risk-based approach to evidence collection to obtain reasonable assurance. When an initial sample does not support a conclusion, they may inspect additional items. We develop a sampling procedure by formulating this additional inspection as sequential hypothesis testing for a fixed finite population sampled without replacement. A tolerable deviation rate and a margin below that rate define the composite hypotheses and the intervening indifference region, and lower and upper stopping boundaries control the two probabilities of incorrect conclusions. Under simple random sampling, a hypergeometric recursion computes the boundaries, decision probabilities, and expected sample size exactly. The procedure permits decisions at prespecified times, including fixed intervals. A separate extension imposes a fixed maximum sample size. We also consider one-sided error control and complete examination of selected items. When the state is multidimensional or has too many possible values for direct enumeration, Monte Carlo simulation constructs candidate boundaries. An independent simulation then provides one-sided upper confidence bounds for the two error probabilities at the least-favorable population counts.