📦 Audit Statistics — 审计统计

audit-statistics 是统计学方法在审计实践中的应用指南。帮助审计人员在实际审计项目中选择合适的统计方法、执行分析、解读结果。

使用场景 当审计项目涉及以下需求时使用本技能： 审计抽样方案设计 数据异常检测与风险识别 实质性分析程序 总体金额推断 趋势分析与预测

一、抽样方法速查

• 随机抽样（Simple Random Sampling）

每个样本被选中的概率相等 适用：样本量较小、总体较为同质 优点：最基础的抽样方法，结果可直接推断总体 缺点：样本量要求较大才能保证精度

• 分层抽样（Stratified Sampling）

将总体按某一特征分层（金额区间/业务类型/风险等级） 每层独立抽样，层内可随机或PPS 适用：总体内部差异大，如按账龄或金额分层 优点：提高样本代表性，减少方差 缺点：需要明确的分层变量

• 货币单元抽样 MUS（Monetary Unit Sampling）

以"元"为抽样单元，金额越大被抽中概率越高 适用：应收账款、应付账款、存货等账面价值较大科目 优点：自然聚焦高风险大额项目 缺点：零余额项目不会被抽中；不适合低价值总体

• 属性抽样（Attribute Sampling）

测试内部控制是否存在/有效（符合=1，不符合=0） 适用：内控测试样本量确定 公式：n = (Z² × p × (1-p)) / E² Z = 置信系数（95%→1.96），p = 预期偏差率，E = 可容忍偏差率

• 变量抽样（Variable Sampling）

推断总体金额错报范围 常用方法：

• 估计均值法（temporal mean estimation）
• 差异估计法（difference estimation）
• 比率估计法（ratio estimation）

适用：存货、固定资产等需要推断真实价值的科目

• PPS抽样（Probability Proportional to Size）

按项目金额占总体金额的比例确定抽样权重 与MUS类似，但记录抽样而非货币单元 适用：大额项目优先的实质性测试

二、数据分析技术 Benford 定律 数字首位分布规律（自然产生的数据） 首位数字 d出现概率：P(d) = log₁₀(1 + 1/d) 检测步骤：

• 提取数据首位数字
• 统计实际分布频率
• 与理论值比较（卡方检验/K-S检验）
• 偏差过大→可能存在数据造假或人为修饰

适合检验：销售金额、费用报销、采购订单、发票号 离群值检测

• 3σ原则：超出均值±3个标准差 → 离群点
• IQR四分位距：< Q1-1.5×IQR 或 > Q3+1.5×IQR → 离群点
• Z-score：|Z| > 2.5 或 3 → 离群点
• 箱线图可视化

适用：大额异常交易、疑似截值（round-number）数据 相关性 & 回归 目的：发现科目间不合理的逻辑关系 举例：

• 收入增长率 vs 应收账款增长率（正常应相近）
• 水电费 vs 生产量（应有正相关）
• 运费 vs 销售额（应有正相关）

审计应用：构建期望值模型，解释不了的差异→进一步追查

三、分析性复核步骤 Step 1: 确定分析目标 → 识别可能存在错报的领域 Step 2: 建立预期值 → 行业基准 / 上期数据 / 预算数据 / 运营逻辑 Step 3: 计算实际值与预期值的差异 → 差异金额 = |实际 - 预期| → 差异率 = 差异 / 预期 Step 4: 统计显著性判断 → 差异率 > 可容忍差异率 → 需追查 → F检验/t检验判断差异是否显著 Step 5: 记录分析结论 → 差异可解释（正常经营原因）→ 风险低 → 差异无法解释 → 扩大测试范围

四、实质性测试中的统计应用 截止测试（Cut-off Testing） 检查结账日前后N天的交易 统计方法：按日期分布检验是否有"人为调整"迹象 （如：12月31日集中确认收入、12月31日后大量退货） 期后事项检查 统计检查结账日后2个月内的大额调整凭证 异常值检测：如果存在某类调整集中发生 → 关注管理层估计变更

五、Python 实现示例 import pandas as pd import numpy as np from scipy import stats # Benford定律检验 def benford_test(data, col): observed = data[col].dropna().astype(str).str[0].astype(int) observed = observed[observed.between(1, 9)] observed_counts = observed.value_counts().sort_index() expected = [np.log10(1 + 1/d) for d in range(1, 10)] chi2, p = stats.chisquare(observed_counts.values, f_exp=[elen(observed) for e in expected]) return chi2, p # 离群值检测（IQR） def detect_outliers_iqr(series, k=1.5): q1, q3 = series.quantile([0.25, 0.75]) iqr = q3 - q1 lower = q1 - k iqr upper = q3 + k iqr return series[(series < lower) | (series > upper)] # 分层抽样 def stratified_sample(df, stratify_col, sample_size, weight_col=None): strata = df.groupby(stratify_col) if weight_col: # PPS within each stratum sampled = strata.apply(lambda x: x.sample(n=min(len(x), max(1, int(sample_size x[weight_col].sum() / df[weight_col].sum()))), random_state=42)) else: sampled = strata.apply(lambda x: x.sample(frac=sample_size/len(df), random_state=42)) return sampled.reset_index(drop=True)

六、抽样方案设计checklist □ 明确审计目标（内控测试 OR 实质性测试） □ 定义总体范围（科目/期间/业务线） □ 确定抽样单元 □ 选择抽样方法（MUS / 分层 / 属性等） □ 计算样本量 □ 随机选号（随机数表或Excel RAND） □ 执行抽样 □ 评价样本结果（偏差率 / 错报金额） □ 推断总体结论 □ 记录抽样程序，留存文件

相关标准 ISA 530：Audit Sampling（审计抽样） ISA 520：Analytical Procedures（分析性复核） PCAOB AS2315：Audit Sampling