Miscellanea. Inference on rare errors using asymptotic expansions and bootstrap calibration
利用渐近展开与自助校准推断罕见审计差错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。
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：摘要研究审计差错总额的通用区间推断，没有涉及金融尾部风险或所列其他经济计量细分方向。
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
利用渐近展开与自助校准推断罕见审计差错
- 研究问题
- 审计总体中差错项目很少且金额分布高度右偏时，如何根据逐项抽样构造总体差错金额的上侧置信限？
- 方法与思路
- 作者先使用经验Cornish–Fisher展开构造区间，再通过自助法校准覆盖概率，针对逐项抽样的审计场景开展推断。
- 材料陈述的贡献
- 摘要称提出总体差错金额的新上侧置信限，并将经验渐近展开与覆盖概率的自助校准结合为两阶段方法。
- 阅读关注点
- 应核对逐项抽样机制、展开所需条件、校准实施方式，以及差错极少或样本未观察到差错时如何处理。
- 阅读边界
- 索引摘要未注明版本，未报告覆盖误差阶或数值表现；不能据此判断极少差错、小样本或其他抽样设计下的有效性。
原文摘要
The number of items in error in an audit population is usually quite small, whereas the error distribution is typically highly skewed to the right. For applications in statistical auditing, where line-item sampling is appropriate, a new upper confidence limit for the total error amount in an audit population is obtained. Our method involves an empirical Cornish-Fisher expansion in the first stage; in the second stage we employ the bootstrap to calibrate the coverage probability of the resulting interval estimate.