Die Mehrfachstichprobe im Datenanalyseprogramm IDEA

Grundprinzip und Anwendungsbeispiel


Seminararbeit, 2017
43 Seiten, Note: 1,3

Leseprobe

Inhaltsverzeichnis

Abkürzungsverzeichnis

Tabellenverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Gang der Untersuchung

2 Monetary Unit Sampling in IDEA
2.1 Planung
2.2 Extraktion
2.3 Beurteilung
2.3.1 Methode der Einzelstichprobe
2.3.2 Methode der Mehrfachstichprobe

3 Anwendungsbeispiel in IDEA
3.1 Ausgangssituation
3.2 Beurteilung mit Hilfe der Einzelstichprobe
3.3 Beurteilung mit Hilfe der Mehrfachstichprobe
3.4 Vergleich der Beurteilungsmethoden

4 Zusammenfassung

5 Literaturverzeichnis

6 Anhang
6.1 Prüffeld
6.2 Die Planungsphase in IDEA
6.3 Die Poisson-Fehlerintensitäten
6.4 Detaillierte Berechnungen der Einzelstichprobe in IDEA

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Tabellenverzeichnis

Tabelle 1: Quelle: Marten, Kai-Uwe/Quick, Reiner/Ruhnke, Klaus (2015), S. 373

Tabelle 2: OFG der Einzelstichprobe

Tabelle 3: OFG der Mehrfachstichprobe

Tabelle 4: Die Einzelstichprobe des Anwendungsbeispiels

Tabelle 5: Die Stichprobe des Prüffelds Inland

Tabelle 6: Die Stichprobe des Prüffelds Ausland

Abbildungsverzeichnis

Abbildung 1: Die Beurteilung der Einzelstichprobe

Abbildung 2: Die Beurteilung der Mehrfachstichprobe

Abbildung 3: Simulation 1.000 Einzelstichproben

Abbildung 4: Simulation 1.000 Mehrfachstichproben

Abbildung 5: Beispielprüffeld

Abbildung 6: Die Planungsphase in IDEA

Abbildung 7: Quelle: AICPA (2008), S. 126

Abbildung 8: Detaillierte Berechnungen der Einzelstichprobe in IDEA

1 Einleitung

1.1 Problemstellung

In der freien Wirtschaft zählt die Redensart „Zeit ist Geld“ zu den wichtigsten Grund- sätzen - besonders in der Wirtschaftsprüfung. Eine Vollprüfung eines Unternehmens liefert zwar ein nahezu hundertprozentig repräsentatives Bild des betrachteten Prüf- felds, ist aber aufgrund von Wettbewerbs- und Zeitdruck selten praktikabel. Statisti- sche Verfahren sparen Zeit, da sie auf Grundlage von Stichproben Hochrechnungen auf das Prüffeld ermöglichen. Dadurch muss nur ein Bruchteil des Prüffelds überprüft werden, es können aber dennoch prüffeldübergreifende Aussagen getroffen werden. Ein Nachteil statistischer Verfahren gegenüber einer Vollprüfung sind Fehler in den Stichproben (Stichprobenrisiken). Konkret ist das sogenannte Prüfungsrisiko für die Wirtschaftsprüfung ein zentrales Problem. Mit dem Begriff wird das Risiko beschrie- ben, dass ein Prüffeld akzeptiert wird, obwohl es bei einer Vollprüfung als nicht ord- nungsgemäß eingestuft worden wäre (in der Statistik als ß-Risiko bekannt1 ).2

Das Datenanalyseprogramm IDEA von CaseWare IDEA Inc. ermöglicht es Wirtschaftsprüfern mit Hilfe des sogenannten Monetary Unit Sampling, einem statistischem Verfahren, automatisiert eine Stichprobe zu ziehen, diese zu untersuchen, und dann von IDEA statistisch korrekt auf das Prüffeld hochrechnen und beurteilen zu lassen. Diese Prüfungsmethode kann Prüffelder in IDEA mittels zweier Methoden beurteilen: Der Einzel- und der Mehrfachstichprobe.

Der Unterschied zwischen der Einzel- und der Mehrfachstichprobe liegt in der Anzahl der gezogenen Stichproben. Bei der Einzelstichprobe wird nur eine Stichprobe aus dem betrachteten Prüffeld gezogen, deren Ergebnisse dann auf das gesamte Prüffeld hochgerechnet werden.

Bei der Mehrfachstichprobe unterteilt der Prüfer Positionen eines Prüffelds z.B. an- hand ihrer hohen Buchwerte oder Risikoausprägungen in Unterprüffelder und unter- sucht diese unabhängig voneinander. Diese Ergebnisse aus den unabhängig voneinan- der untersuchten Unterprüffeldern werden daraufhin kombiniert hochgerechnet, sodass trotz der Berücksichtigung der unterschiedlichen Gegebenheiten in den Unterprüffeldern ein Bild auf das gesamte Prüffeld möglich wird.

Durch die Prüfung mehrerer Stichproben ist die Mehrfachstichprobe zeitintensiver als die Prüfung mittels der Einzelstichprobe. Fraglich ist, ob der Mehraufwand durch die Mehrfachstichprobe dadurch vertretbar ist, dass die Ergebnisse auch entsprechend genauer sind als bei der Einzelstichprobe.

Im Rahmen dieser Arbeit werden die beiden Methoden im Hinblick auf die Präzision ihrer Ergebnisse untersucht um daraufhin abzuwägen, ob der Mehraufwand der Mehrfachstichprobe gegenüber der Einzelstichprobe durch genauere Ergebnisse gerechtfertigt ist. Um dies zu untersuchen, wird das Monetary Unit Sampling mit Hilfe vom Datenanalyseprogramm IDEA durchgeführt.

1.2 Gang der Untersuchung

In Kapitel 2 werden zunächst das Grundprinzip und der Ablauf des Monetary Unit Sampling in IDEA vorgestellt. Hierzu werden die Phasen des Monetary Unit Samp- lings in IDEA und die Unterschiede der beiden Beurteilungsmethoden erläutert.

In Kapitel 3 folgt ein Anwendungsbeispiel, welches einerseits mittels der Einzelstichprobe, und andererseits mittels der Mehrfachstichprobe ausgewertet wird, um im Anschluss die Ergebnisse auf deren Präzision hin zu untersuchen und zu vergleichen, um im Anschluss bewerten zu können, ob die Einzel- oder die Mehrfachstichprobe vorteilhafter zur Beurteilung eines Prüffelds ist.

2 Monetary Unit Sampling in IDEA

Das Monetary Unit Sampling (MUS) ist ein statistisches Prüfverfahren, mit dessen Hilfe die Buchführung eines Unternehmens überprüft wird. Hierbei werden aus einem Prüffeld (z.B. Forderungen) eine oder mehrere Stichproben entnommen. Auf Basis dieser wird der maximale Fehlerbetrag des Prüffelds geschätzt, wobei unter einem Fehler die Abweichung des Soll-Buchwert zum Ist-Buchwert verstanden wird.3 Sollte dieser über, bzw. unter einer im Vorfeld vom Prüfer festgelegten Grenze, dem soge- nannten Wesentlichkeitsbetrag liegen, wird das Prüffeld als nicht ordnungsgemäß ein- gestuft.4

Im MUS wird jede Geldeinheit (Monetary Unit) eines Prüffelds unabhängig betrachtet. Die Wahrscheinlichkeit, dass eine Position ausgewählt wird, nimmt so proportional mit dem Buchwert des Prüffelds zu5, da die gezogene Geldeinheit derjenigen Position zugeordnet wird, aus der sie resultiert. Daher ist das MUS für Aktivposten, die tenden- ziell eher über- als unterbewertet werden, besser geeignet als für Passivposten.6

Das MUS kann mit Hilfe des Datenanalyseprogramms IDEA durchgeführt werden. Dieses Programm hat das Ziel, die Berechnungen exakt und korrekt durchzuführen, und die Interpretation für den Prüfer übersichtlich und leicht verständlich zusammen- zufassen. IDEA steht für „Interactive Data Extraction and Analysis“7 und ist eine Soft- ware der CaseWare IDEA Inc.,8 die unter anderem von Wirtschaftsprüfern und der Finanzverwaltung eingesetzt wird, um große Datenmengen zu analysieren und zu be- urteilen. Der große Vorteil der Nutzung von IDEA ist, dass das Programm sehr einfach zu bedienen ist, und Analysen besonders schnell durchgeführt werden können.9

Das MUS wird in IDEA in die drei aufeinander folgenden Phasen Planung, Extraktion und Beurteilung eingeteilt, die im Folgenden erläutert werden.

2.1 Planung

Die Planungsphase besteht aus der Festlegung der für das MUS benötigten Parameter, die im Folgenden erläutert werden, um dann mit Hilfe dieser den Stichprobenumfang zu bestimmen.10

Zunächst muss überprüft werden, ob das MUS für das betrachtete Prüffeld geeignet ist. Wie oben erwähnt, ist das MUS für typischerweise überbewertete Positionen bes- ser geeignet. Da dem MUS die Annahme zugrunde liegt, dass die fehlerhaften Positi- onen Poisson-verteilt sind,11 ist es bei geringen Fehlerraten vorteilhaft gegenüber an- deren Verfahren. Zudem sollte das Prüffeld aus mindestens 2.000 Belegpositionen be- stehen.12

Nachdem das Prüffeld sich als geeignet erwiesen hat, muss der Stichprobenumfang bestimmt werden. Dieser wird durch einige Faktoren beeinflusst. Die Einflüsse der jeweiligen Faktoren sind essenziell, da in wirtschaftlicher Hinsicht eine kleinere Stichprobe lukrativer ist, jedoch auch die Qualität des späteren Prüfurteils von der Stichprobengröße abhängt.13 Daher sind im Hinblick auf die Anwendung des MUS im Datenanalyseprogramm IDEA folgende Parameter für die Bestimmung des Stichprobenumfangs festzulegen: Das Konfidenzniveau in Verbindung mit dem ß-Risiko, der Wesentlichkeitsbetrag und der erwartete Fehler.

Das Konfidenzniveau gibt an, mit welcher Wahrscheinlichkeit das Prüfergebnis kor- rekt ist. Liegt das Konfidenzniveau beispielsweise bei 95%, so ist das Prüfergebnis in 95 von 100 Fällen korrekt. Die verbleibenden 5% bilden das ß-Risiko. Dies ist das Risiko, dass der geschätzte maximale Fehlerbetrag unter dem Wesentlichkeitsbetrag liegt, obwohl der wahre Fehlerbetrag diesen übersteigt.14 Es existiert eine inverse Korrelation zwischen dem ß-Risiko und dem Stichprobenumfang. Je größer die Stichprobe ist, desto niedriger ist das ß-Risiko.15

Der Wesentlichkeitsbetrag ist, wie oben bereits in erwähnt, der maximale Fehler, bis zu dem das betrachtete Prüffeld als grundsätzlich ordnungsgemäß eingestuft wird. Da- her erfordert diese Einschätzung die Erfahrungen und das Urteilsvermögen eines Prüfers.16 Auch zwischen dem Wesentlichkeitsbetrag und dem Stichprobenumfang existiert eine inverse Korrelation. Je höher der Fehlerbetrag ist, den der Prüfer bereit ist zu akzeptieren, desto kleiner wird der Stichprobenumfang.17

Der erwartete Fehler ist der Fehlerbetrag, den der Prüfer in dem Prüffeld vermutet. Dieser basiert auf den Erfahrungen des Prüfers und kann auf Ergebnissen vorheriger Prüfungen beruhen, oder auf den Gegebenheiten der Buchführung, also zum Beispiel, ob das geprüfte Unternehmen ein Enterprise-Resource-Planning-System (ERP-Sys- tem) benutzt oder manuell arbeitet. Der erwartete Fehler misst also die Zuverlässigkeit der Buchführung. Je höher der erwartete Fehler geschätzt wird, desto höher wird auch der Stichprobenumfang.18

2.2 Extraktion

Nachdem die notwendigen Parameter und die Stichprobengröße festgelegt worden sind, kann die Stichprobe nun durchgeführt werden. Diese Phase beinhaltet die Aus- wahl der Stichprobenelemente und anschließend den Abgleich zwischen Soll- und Ist- Buchwerten der ausgewählten Elemente.19 Ziel ist es, die Stichprobenelemente so aus- zuwählen, dass die spätere Hochrechnung auf das Prüffeld so präzise wie möglich ist. Im Optimalfall soll die Stichprobe eine Miniatur des Prüffelds darstellen, dadurch dass die Struktur der Stichprobe der Struktur des Prüffelds entspricht, um so ein repräsen- tatives Abbild des Prüffelds zu erlangen.20 Um die Stichprobe so optimal wie möglich auszuwählen stehen dem Prüfer mehrere Techniken zur Verfügung. In IDEA kann der Prüfer zwischen zwei Methoden auswählen, welche als Extraktionstypen bezeichnet werden: Die kumulative Methode und die Zellenmethode. Im Rahmen dieser Arbeit wird die kumulative Methode verwandt. Bei dieser Methode werden die Positionen des Prüffelds zunächst geordnet, in gleich große Intervalle Ī eingeteilt und anschlie- ßend kumuliert. Die Intervallgröße berechnet sich, indem der Gesamtbuchwert BW durch die Stichprobengröße ݊ dividiert wird.21

Abbildung in dieser Leseprobe nicht enthalten

Im Anschluss wird eine Zufallsstartzahl generiert, welche zwischen 1 und Ī liegt. Ausgehend von wird daraufhin solange Ī hinzuaddiert, bis der Prüfer ݊ Werte er- hält.

Abbildung in dieser Leseprobe nicht enthalten

Diese ݊ Werte werden im Anschluss vom Prüfer mit den kumulierten Buchwerten verglichen. Eine Position gelangt dann in die Stichprobe, wenn sie die jeweilige Geldeinheit, z.B. ZZ, beinhaltet. Hieraus folgt, dass eine Position, die wertmäßig größer oder gleich Ī ist, mit einer Wahrscheinlichkeit von 1 in die Stichprobe gelangt.22

Diese Methode ist eine Methode der Zufallsauswahl mit wertproportionalen Wahr- scheinlichkeiten. Dies resultiert daraus, dass die Positionen mit höherem Buchwert mit höherer Wahrscheinlichkeit die jeweilige Geldeinheit beinhalten als niedrigere.23

Nachdem die Stichprobenelemente durch die kumulative Methode ausgewählt und den Belegpositionen zugeordnet wurden, folgt nun der Abgleich zwischen den Soll- und Ist-Buchwerten. Nachdem der Prüfer alle Positionen auf deren Ist-Buchwerte untersucht hat, kann die Auswertung der Ergebnisse erfolgen.

2.3 Beurteilung

In der letzten Phase soll die Gesamtabweichung des Soll-Buchwerts zum Ist-Buch- wert, der sogenannte Realwert, geschätzt werden, um abschließend zu beurteilen, ob das Prüffeld als wesentlich korrekt eingestuft wird, oder weitere Maßnahmen notwen- dig sind.24 In IDEA muss für die Beurteilung festgelegt werden, ob in dem Prüffeld eine obere oder untere Fehlergrenze, konkret bedeutet das mehr oder weniger als 20 Fehler, vermutet wird. Da das MUS bei geringen Fehlerraten vorteilhaft ist, wird im Rahmen dieser Arbeit ausschließlich die untere Fehlergrenze angewandt.

Um Rückschlüsse auf das Prüffeld treffen zu können, werden im MUS zwei Punkte geschätzt, der zu erwartende Fehler25 (Most Likely Error, MLE) und die obere Fehler- grenze26 (OFG). Der MLE ist hierbei der Erwartungswert für den Gesamtfehlerbetrag des Prüffelds. Die OFG wird geschätzt, um Aussagen darüber treffen zu können, ob der größtmögliche Gesamtfehlerbetrag den festgelegten Wesentlichkeitsbetrag übersteigt. Die Wahrscheinlichkeit, dass dieser berechnete größtmögliche Gesamtfehlerbetrag den tatsächlichen Gesamtfehlerbetrag des Prüffelds übersteigt, ist hierbei das ß- Risiko.27 Die OFG ist also der maximal zu erwartende Fehler.

Um diese beiden Schätzer zu berechnen, bedarf es verschiedener Verfahren, die je nach Beurteilung mit Hilfe der Einzel- oder Mehrfachstichprobe in IDEA variieren. Diese werden mit Hilfe der folgenden, aus der Literatur entnommenen Beispielstich- probe betrachtet mit dem Stichprobenumfang ݊ = 30 und dem Wert des Prüffelds = 156.000€.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Quelle: MARTEN, KAI-UWE/QUICK, REINER/RUHNKE, KLAUS (2015), S. 373

Die in die Stichprobe gelangten Buchwerte werden in der Tabelle 1 mit den zugehörigen Prüfwerten dargestellt. Für die Buchwerte, die Fehler (Überbewertungen) beinhalten, wurde der Fehleranteil ݎ௜ berechnet, dessen Formel lautet:

Abbildung in dieser Leseprobe nicht enthalten

2.3.1 Methode der Einzelstichprobe

Im Folgenden werden die in IDEA verwendeten Methoden zur Berechnung der OFG und des MLE in der Einzelstichprobe vorgestellt. IDEA verwendet zur Berechnung des MLE folgende Formel,28 wobei Ī das Stichprobenintervall ist29 und:

Abbildung in dieser Leseprobe nicht enthalten

Im Beispiel aus Tabelle 1 ist der MLE also:

Abbildung in dieser Leseprobe nicht enthalten

Der wahrscheinlichste Gesamtfehlerbetrag des Prüffelds aus Tabelle 1 ist 4.227,60€, dies bedeutet, dass der wahrscheinlichste Realwert des Prüffelds beträgt:

Abbildung in dieser Leseprobe nicht enthalten

Zur Berechnung der OFG verwendet IDEA für die Beurteilung mit Hilfe der Einzel- stichprobe die Zellenmethode (Cell Bound).30 Durch diese Methode wird berücksich- tigt, dass der Prüfer aufgrund des Stichprobenrisikos bei der Prüfung vom schlechtes- ten Fall ausgehen muss. Daher werden zwei Szenarien betrachtet, die in Tabelle 2 in den Spalten F und G zu sehen sind. Zunächst muss jedoch der ߣ-Faktor geschätzt wer- den. In IDEA wird hierfür die hypergeometrische Verteilung zur Modellierung ver- wendet.31 Um den Cell Bound zu erläutern ist die Approximation durch die Poisson- Verteilung allerdings deutlich übersichtlicher, und wird zur Erläuterung der Verfahren anstelle der hypergeometrischen Verteilung verwendet. Für die Fehlerintensität ߣ liegt eine Tabelle32 der AICPA33 vor, aus der die jeweiligen ߣ-Werte abgelesen werden. Die Fehlerintensität ߣ stellt hierbei das Produkt der Wahrscheinlichkeit für x fehlerhafte Elemente in der Stichprobe mit dem Stichprobenumfang dar.34 In unserem Beispiel, in dem vier Fehler gefunden wurden bei einem Konfidenzniveau von 90%, wird bspw. für den vierten Fehler aus der Tabelle der Wert ߣ ൌ ͺǡͲͲ abgelesen. Die weiteren ab- gelesenen Faktoren sind in Spalte B in der Tabelle 2 zu sehen. Für den Fall, dass in einer Stichprobe keine Fehler gefunden werden, greift die sogenannte Basic Precision, die dann der OFG entspricht. Die Basic Precision wird im Rahmen dieser Arbeit je- doch nicht betrachtet. In Spalte C sind die absteigend sortierten Fehlerraten ݎ௜ aufge- führt. In Spalte D wird der gleitende Durchschnitt der Fehlerraten ݎ௜ der entsprechen- den Zeile berechnet. Im ersten Szenario werden die Fehlerraten ݎ௜ mit den OFG der oberen Zeile addiert, im zweiten Szenario hingegen die ߣ-Faktor mit der durchschnittlichen Abweichung multipliziert. In Spalte G wird dann der Faktor des Szenarios aufgeführt, der größer ist, um so den schlechtesten Fall zu berücksichtigen.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: OFG der Einzelstichprobe

Der maximale Faktor des letzten gefundenen Fehlers (im Beispiel 2,768) wird dann mit dem Intervall Ī multipliziert. Im Beispiel beträgt das Intervall Ī:

Abbildung in dieser Leseprobe nicht enthalten

Somit beträgt die im Beispiel geschätzte OFG:

Abbildung in dieser Leseprobe nicht enthalten

2.3.2 Methode der Mehrfachstichprobe

Bei der Beurteilung mittels der Mehrfachstichprobe in IDEA wird zur Berechnung der OFG der sogenannte Stringer Bound (Fehlerreihungsmethode) angewandt. Auch hier wurde zur Approximation die Poisson-Verteilung gewählt, IDEA wendet jedoch die hypergeometrische Verteilung an. Zur Veranschaulichung wird davon ausgegangen, dass die in Tabelle 1 aufgeführte Beispielstichprobe zwei Mal gezogen wurde. Insgesamt wurden also acht Fehler gefunden.

Der MLE wird bei der Beurteilung mittels der Mehrfachstichprobe pro Stichprobe wie bei der Einzelstichprobe berechnet, allerdings wird anschließend der Durchschnitt der MLE berechnet. Die Formel lautet also:

Abbildung in dieser Leseprobe nicht enthalten

Im Beispiel aus Tabelle 1 ist der MLE also:

Abbildung in dieser Leseprobe nicht enthalten

Der wahrscheinlichste Gesamtfehlerbetrag des Prüffelds aus Tabelle 1 ist 8.455,20€, dies bedeutet, der wahrscheinlichste Realwert des Prüffelds beträgt:

Abbildung in dieser Leseprobe nicht enthalten

Zur kombinierten Berechnung der OFG wird in IDEA der Global Combined Bound angewandt, der in folgender Tabelle dargestellt wird.35

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: OFG der Mehrfachstichprobe

Auch hier müssen die Fehlerraten ݎ௜ zunächst absteigend sortiert werden, dabei wird nicht beachtet, aus welcher der beiden Stichproben die dazugehörige Position stammt.36 Der Auswahlsatz A, der in Spalte E zu finden ist, ist der Prozentsatz des Prüffelds, der überprüft wurde,37 und liegt somit bei beiden Stichproben bei:

Abbildung in dieser Leseprobe nicht enthalten

Der in Spalte C aufgeführte incremental change ist die durch den jeweiligen gefundenen Fehler entstandene Fehlerintensität. Um diesen zu berechnen wird der ߣ-Faktors der jeweiligen Zeile vom ߣ-Faktor der vorherigen Zeile abgezogen.38

Der Bound jedes gefundenen Fehlers lässt sich durch folgende Formel berechnen:

Abbildung in dieser Leseprobe nicht enthalten

3 Anwendungsbeispiel in IDEA

3.1 Ausgangssituation

Als Ausgangssituation für das Anwendungsspiel in IDEA dient ein durch Microsoft Excel generiertes Zufallsprüffeld, das 2.000 Forderungen der Aktiva eines fiktiven Beispielunternehmens widerspiegelt.39 Dieses Unternehmen agiert hauptsächlich im Inland, hat aber auch einen kleinen Standort im Ausland. In diesem Prüffeld stammen 80,8 % der Positionen aus dem Inland und 19,2% aus dem Ausland. Im Anhang 6.1 ist die Tabelle mit den einzelnen Forderungen, den Buchwerten, den kumulierten Buch- werten, den Prüfwerten, der Herkunft (Inland oder Ausland) und den Fehlerraten ݎ௜ zu finden.40 Der Soll-Buchwert liegt hier bei 6.551.361€. Anhand der Daten ist ersicht- lich, dass bei einer Vollprüfung der Realwert des Prüffelds 5.871.940€ beträgt, also ein Gesamtfehler von 679.423€ im Prüffeld existiert. Ein Prüfer würde bei einer Voll- prüfung feststellen, dass insgesamt 11,35% der Buchungen Fehler aufweisen. Im In- land sind nur 7% der Positionen fehlerhaft, wobei die Positionen im Ausland zu 20% fehlerhaft sind. Die Fehlerraten ݎ௜ im Inland reichen von 30% bis zu 100%, das bedeu- tet, dass sowohl partielle, als auch vollkommene Überbewertungen existieren.41 Die Auslandsfehlerraten ݎ௜ betragen zwischen 90% und 100%. Diese sind also deutlich höher als die der Inlandspositionen.

Dem potenziellen Prüfer ist bei der Durchführung des MUS bekannt, dass die Buchführung im Ausland ohne, und die im Inland mit Hilfe eines ERP-Systems arbeitet. Der Wesentlichkeitsbetrag, der im vorliegenden Beispiel auf 10% des Soll-Buchwerts festgelegt wurde,42 beträgt:

Abbildung in dieser Leseprobe nicht enthalten

Bei einer Vollprüfung wäre der Prüfer also zu dem Prüfurteil gekommen, dass das Prüffeld als nicht ordnungsgemäß einzustufen ist, da der Gesamtfehler über dem Wesentlichkeitsbetrag liegt [Abbildung in dieser Leseprobe nicht enthalten].

[...]

1 Vgl. SENGER, JÜRGEN (2011), S. 265.

2 Vgl. INSTITUT DER WIRTSCHAFTSPRÜFER (2003), PS 200, 24-25.

3 Vgl. INSTITUT DER WIRTSCHAFTSPRÜFER (2012), S. 2399 f.

4 Vgl. GUY, DAN M./CARMICHAEL, DOUGLAS R./WHITTINGTON, RAY (1994), S. 155 f.

5 Vgl. AMERICAN INSTITUTE OF CERTIFIED PUBLIC ACCOUNTANTS (2008), S. 79.

6 Vgl. MOCHTY, LUDWIG (2012), S. 100.

7 Deutsch: Datenanalyseprogramm.

8 Vgl. AUDICON GMBH (2016).

9 Vgl. CASEWAREANALYTICS (2016)

10 Vgl. MESSIER, WILLIAM F. (2003), S. 341 f.

11 Vgl. MARTEN, KAI-UWE/QUICK, REINER/RUHNKE, KLAUS (2015), S. 366 f.

12 Vgl. RUHNKE, KLAUS/VON TORKLUS, ALEXANDER (2008), S. 1120.

13 Vgl. INSTITUT DER WIRTSCHAFTSPRÜFER (2003), PS 310, 2.

14 Vgl. GIEZEK, BERND (2011), S. 16.

15 Vgl. WAMPLER, BRUCE/MCEACHARN, MICHELLE (2005), S. 37.

16 Vgl. WAMPLER, BRUCE/MCEACHARN, MICHELLE (2005), S. 36.

17 Vgl. INSTITUT DER WIRTSCHAFTSPRÜFER (2003), PS 310, 19.

18 Vgl. AMERICAN INSTITUTE OF CERTIFIED PUBLIC ACCOUNTANTS (2008), S. 57.

19 Vgl. SCHULTE, ELMAR B (1970), S. 19.

20 Vgl. VON DER LIPPE, PETER (2011), S. 25 ff.

21 Vgl. RUHNKE, KLAUS/VON TORKLUS, ALEXANDER (2008), S. 1121.

22 Vgl. GIEZEK, BERND (2011), S. 98 ff.

23 Vgl. GUY, DAN M./CARMICHAEL, DOUGLAS R./WHITTINGTON, RAY (1994), S. 193 f.

24 Vgl. RUHNKE, KLAUS/VON TORKLUS, ALEXANDER (2008), S. 1121.

25 Vgl. GIEZEK, BERND (2011), S. 61.

26 Vgl. GIEZEK, BERND (2011), S. 63.

27 Vgl. ASSENMACHER, WALTER (2000), S. 240 f.

28 Vgl. IDEA HILFE (STAND 06.2017), siehe auch Anhang 6.4.

29 Siehe Kapitel 2.2

30 Vgl. IDEA HILFE (STAND 06.2017a)

31 Vgl. IDEA HILFE (STAND 06.2017b)

32 Siehe Anhang 6.3

33 American Institute of Certified Public Accountants

34 Vgl. MARTEN, KAI-UWE/QUICK, REINER/RUHNKE, KLAUS (2015), S. 365 ff.

35 Vgl. IDEA HILFE (STAND 06.2017c).

36 Vgl. NETER, JOHN/KIM, HYO SEUK/GRAHAM, LYNFORD E. (1984), S. 81 f.

37 Vgl. NETER, JOHN/KIM, HYO SEUK/GRAHAM, LYNFORD E. (1984), S. 81 f.

38 Vgl. AMERICAN INSTITUTE OF CERTIFIED PUBLIC ACCOUNTANTS (2008), S. 87f.

39 So empfehlen es RUHNKE, KLAUS/VON TORKLUS, ALEXANDER (2008), S. 1122.

40 Siehe auch: Excel Tabelle „MUS" Tabellenblatt „GG Beispiel".

41 Vgl. RUHNKE, KLAUS/VON TORKLUS, ALEXANDER (2008), S. 1120.

42 So empfehlen es GUY, DAN M./CARMICHAEL, DOUGLAS R./WHITTINGTON, RAY (1994), S. 155.

Ende der Leseprobe aus 43 Seiten

Details

Titel
Die Mehrfachstichprobe im Datenanalyseprogramm IDEA
Untertitel
Grundprinzip und Anwendungsbeispiel
Hochschule
Universität Duisburg-Essen
Note
1,3
Autor
Jahr
2017
Seiten
43
Katalognummer
V380704
ISBN (eBook)
9783668573130
ISBN (Buch)
9783668573147
Dateigröße
805 KB
Sprache
Deutsch
Schlagworte
mehrfachstichprobe, datenanalyseprogramm, idea, grundprinzip, anwendungsbeispiel, monetary unit sampling, mus
Arbeit zitieren
Katharina Knappmann (Autor), 2017, Die Mehrfachstichprobe im Datenanalyseprogramm IDEA, München, GRIN Verlag, https://www.grin.com/document/380704

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Die Mehrfachstichprobe im Datenanalyseprogramm IDEA


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden