A Bayesian Partial Identification Approach to Inferring the Prevalence of Accounting Misconduct
推断会计违规发生率的贝叶斯部分识别方法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：摘要涉及会计违规概率的部分识别，未涉及资产定价、收益预测或尾部与系统性风险。
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…
推断会计违规发生率的贝叶斯部分识别方法
- 研究问题
- 只有部分可观测的会计违规资料时，如何估计美国上市企业的违规发生概率，并评估未识别部分的先验对后验的影响？
- 方法与思路
- 作者用灵活的贝叶斯回归估计部分识别概率函数，并构建针对模型部分识别成分的先验敏感性分析方法。
- 材料陈述的贡献
- 摘要称该框架便于高效考察先验对部分识别成分后验的影响，并以美国上市企业会计违规发生率推断作应用展示。
- 阅读关注点
- 核对观测到的违规与总体违规之间的关系、识别部分和未识别部分的划分，以及先验敏感性分析的范围和报告方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未说明观测机制、识别边界或发生率数值，不能据此判断真实违规水平。
原文摘要
This article describes the use of flexible Bayesian regression models for estimating a partially identified probability function. Our approach permits efficient sensitivity analysis concerning the posterior impact of priors on the partially identified component of the regression model. The new methodology is illustrated on an important problem where only partially observed data are available—inferring the prevalence of accounting misconduct among publicly traded U.S. businesses. Supplementary materials for this article are available online.