Aplicación de métodos estadísticos, económicos y de aprendizaje automático para la detección de la corrupción

  1. José Antonio Álvarez Jareño 1
  2. Elena Badal Valero 1
  3. José Manuel Pavía Miralles 1
  1. 1 Universitat de València
    info

    Universitat de València

    Valencia, España

    ROR https://ror.org/043nxc105

Zeitschrift:
Encuentros multidisciplinares

ISSN: 1139-9325

Datum der Publikation: 2020

Titel der Ausgabe: Estrategias frente a la corrupción

Ausgabe: 22

Nummer: 65

Art: Artikel

DIALNET GOOGLE SCHOLAR lock_openOpen Access editor

Andere Publikationen in: Encuentros multidisciplinares

Bibliographische Referenzen

  • Alvarez-Jareño, J.A. (2012): “The Trail of the Pyx”, un Control Estadístico de la Calidad con Ocho Siglos de Antigüedad. En Historia de la Probabilidad y la Estadística VI (pp. 147- 159). Madrid: Ed. UNED.
  • Badal-Valero, E.; Alvarez-Jareño, J.A. y Pavía, J.M. (2018): Combining Benford's Law and Machine Learning to detect Money Laundering. An actual Spanish court case, Forensic Science International, 282, pp. 24-34.
  • Benford, F. (1938): The law of anomalous numbers. Proceedings of the American Philosophical Society, 78, pp. 551-572.
  • Bolton, R.J. y Hand, D.J. (2002): Statistical Fraud Detection: A Review. Statistical Science, 17(13), pp. 235-255.
  • Cinelli, C. (2017): benford.analysis: Benford Analysis for Data Validation and Forensic Analytics. R package version 0.1.4.1. https://CRAN.R- project.org/package=benford.analysis
  • Curran-Everett, D. (2009): Explorations in statistics: hypothesis tests and P values. Advances in Physiology Education, 33, pp. 81-86.
  • Das, R.C.; Mishra, C.S. y Rajib, P. (2017): Detection of Anomalies in Accountig Data Using Benford’s Law: Evidence from India. Journal of Social Science Studies, 4(1), pp. 123- 139.
  • Hand, D.J. (1981): Discrimiantion and Classification. Chichester: Ed. Wiley.
  • Jensen, D. (1997): Prospective assessment of AI technologies for fraud detection: a case study. AAAI Workshop on AI Approaches to Fraud Detection and Risk Management, Menlo Park, California, pp. 34-38.
  • Kahnemann, D. (2015): Pensar rápido, Pensar despacio. Madrid: Ed. Debate.
  • Ley, E. (1996): On the Peculiar Distribution of the U.S. Stock Indexes' Digits. The American Statistician, 50(4), 311-313.
  • Ley, E. y H.R. Varian (1994): Are there psychological barriers in the Down-Jones Index? Applied Financial Economics, 4, pp. 217-224.
  • McLachlan, G.J. (1992): Discriminant Analysis and Statistical Pattern Recognition. New York: Ed. Wiley.
  • Newcomb, S. (1881): Note on the frequency of use of the different digits in natural numbers. American Journal of Mathematics, 4, pp. 39-40.
  • Ngai, E.W.T.; HU, Y.; Wong, Y.H.; Chen, Y. y Sun, X. (2011): The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50, pp. 559-569.
  • Nigrini, M.J. (1992): The detection of income escape through an analysis of digital distributions. (PhD Tesis, University of Cincinatti).
  • Queralt, J.J. (2016): Public Compliance y Corrupción: Análisis Conceptual y Propuestas. Revista Internacional Transparencia e Integridad, 2, pp. 1-11.
  • Rauch, B.; Göttsche, M.; Brähler, G. y Engel, S. (2011): Fact and Fiction in EU-Governmental Economic Data. German Economic Review, 12(3), pp. 243-255.
  • Tödter, K.H. (2007): Das Benford-Gesetz und die Anfangsziffern von Aktienkursen. Wirtschaftswissen-schaftliches Studium, 36(2), pp. 93-97.
  • Transparencia Internacional (2009): Guía de lenguaje claro sobre la lucha contra la corrupción. https://transparencia.org.es/wp-content/uploads/2014/10/Gu%C3%ADa-de-lenguaje- claro-sobre-lucha-contra-la-corrupción.pdf [Último acceso: 22 de octubre de 2018]
  • Van Vlasselaer, V.; Eliassi-Rad, T.; Akoglu, L.; Snoeck, M. y Baesesns, B. (2017): Gotcha! Network-based Fraud Detection for Social Security Fraud. Management Science, 63(9), pp. 3090-3110.
Fuente de los datos: Dialnet