هدف این پژوهش پیش بینی گزارش حسابرسان مستقل با استفاده از تکنیک های داده کاوی می باشد. گزارش حسابرسان مستقل در این تحقیق به دو دسته مقبول و غیرمقبول (شامل گزارشات مشروط، مردود و عدم اظهارنظر) طبقه بندی شده است. به منظور پیش بینی گزارش حسابرسان مستقل از سه تکنیک طبقه بندی داده کاوی شامل، درخت تصمیم c5.0، شبکه های عصبی مصنوعی و رگرسیون لجستیک استفاده شده است. جامعه آماری پژوهش شامل تمامی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1382 الی 1388 می باشد. در این تحقیق از 29 متغیر مالی و غیرمالی در قالب 10 طبقه نقدینگی، عملکرد، اهرم مالی، ساختار سرمایه، سودآوری، ریسک ورشکستگی، مدیریت سود، حاکمیت شرکتی، اندازه شرکت و سایر متغیرها (شامل نوع صنعت و عمر شرکت) به منظور آموزش و آزمون مدل استفاده شده است. نتایج تحقیق نشان می دهند که میانگین دقت مدل حاصل از تکنیک درخت تصمیم c5.0 جهت پیش بینی نوع گزارش حسابرسی (میانگین دقت 88.64%) از دو تکنیک دیگر بیشتر بوده و این تکنیک توانایی بالاتری جهت کاهش ریسکهای حسابرسی دارد. مهمترین متغیرها جهت پیش بینی نوع گزارش حسابرسی به ترتیب شامل نوع گزارش حسابرسی سال قبل (مقبول یا غیر مقبول)، نسبت سودآوری (سود خالص به درآمد)، نسبت بدهیها (بدهیها به داراییها)، نوع صنعت، نوع عملکرد (سوده یا زیانده)، نوع حسابرس (دولتی یا خصوصی) و ریسک ورشکستگی (ورشکسته یا سالم) می باشند.

طی سال های اخیر پدیده تغییر حسابرس به زمینه مهمی در تحقیقات دانشگاهی و محافل حرفه ای تبدیل شده است. هدف این تحقیق ارائه مدلی برای پیش بینی تغییر حسابرس مستقل سال بعد، با استفاده از تکنیک های طبقه بندی داده کاوی می باشد. بدین منظور از سه تکنیک: شبکه های عصبی مصنوعی، درخت تصمیم گیری c5.0 و رگرسیون لجستیک استفاده و در نهایت با توجه به بررسی های مقایسه ای مدلی با بالاترین توانائی (قدرت) ارائه گردیده است. جامعه آماری تحقیق، شامل تمامی شرکت های پذیرفته شده در بورس اوراق و بهادار تهران طی سال های 1382 الی 1388 می باشد. نتایج مدل های حاصله (یافته های تحقیق)، نشان می دهد که متغیر های تغییر مدیریت عامل، اندازه شرکت، مدیریت سود و نوع مالکیت مهمترین متغیرها جهت پیش بینی می باشند. همچنین از بین سه تکنیک بکارگرفته شده، تکنیک درخت تصمیم بالاترین توانایی جهت پیش بینی را دارد.

در یک جدول توافقی با ابعاد زیاد، تعداد خانه ها اغلب بسیار بالا است در حالی که متوسط تعداد مشاهدات در هر خانه در بسیاری از مسائل عملی کوچک است ، و بنابراین بسیاری از خانه ها می توانند درایه های صفر داشته باشند. مایلیم که احتمالهای مربوط به این خانه ها را برآورد کنیم. اطلاعات اضافی در باره این احتمالها ممکن است از توزیع عمومی شمارشها یا از کناره ها در دسترس باشد. رهیافتهای بیزی روشهایی را برای برآورد کردن این احتمالها عرضه می کنند، اما مسئله انتخاب پارامتر توزیع پیشین را به عهده استفاده کننده می گذارد، کاری که ممکن است او برای انجام آن مجهز نباشد. تحقیقاتی نظری، با نشان دادن بعضی از روشها به خواننده که وی را از خطاهای بد محفوظ خواهند داشت ، می تواند خواننده را در انتخاب پارامترها یاری کند. در این رساله برآوردگرهای بیز و شبه بیز و بیز تجربی را برای احتمالهای خانه ای در جدولهای توافقی مطرح کرده و این برآوردگرها را با هم مقایسه می کنیم.