Optimal Bounds Used in Dollar-Unit Sampling: A Comparison of Reliability and Efficiency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Auditors typically employ one-sided confidence bounds to estimate the total error in an audit population. This estimate provides an auditor with a given level of assurance that the total error does not exceed the upper confidence bound. This paper summarizes the results of an extensive simulation study using both real and simulated data comparing 14 bounds. No one method was found to be superior in terms of reliability and efficiency. A 95% upper bound is reliable if, when used repeatedly, the bound exceeds the true audit error 95% of the time. Efficiency measures the size of the bound; the smaller the bound is, the more efficient it is said to be. The multinomial-Dirichlet method [Tsui, K. W., Matsamura, E. M., Tsui, K. L. (1985). Multinomial-Dirichlet bounds for dollar-unit sampling in auditing. Acc. Rev. 60(1):76–96] demonstrated the best reliability for a variety of populations. The Bayesian normal bound [Menzefricke, U., Smieliauskas, W. (1984). A simulation study of the performance of parametric dollar unit sampling statistical procedures. J. Acc. Res. 22(2):588–604] and the Cox and Snell bound [Cox, D. R., Snell, E. J. (1979). On sampling and the estimation of rare errors. Biometrika 66(1):125–132] are reliable and more efficient than the multinomial-Dirichlet bound for particular populations. The Augmented Variance Estimator bound [Rohrbach, K. J. (1993). Variance augmentation to achieve nominal coverage probability in sampling from audit populations. Auditing J. Practice Theory 12(2):79–97] is reliable and efficient for populations with error rates of less than 10%. The extended multinominal-Dirichlet bound [Matsumura, E., Tsui, K., Wong, W.K. (1990). An extended multinomial-Dirichlet model for error bounds for dollar-unit sampling. Contemporary Acc. Res. 6:485–500] is reliable and efficient for most of the real populations studied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle