MétaCan
Menu
Retour à la cohorte
Enregistrement W2101620646 · doi:10.1506/4vd9-ae3k-xv7l-xt07

Are Auditors Compromised by Nonaudit Services? Assessing the Evidence*

2006· article· en· W2101620646 sur OpenAlexvenueno aff
Jere R. Francis

Notice bibliographique

RevueContemporary Accounting Research · 2006
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésConservatismAuditEarningsAccountingBusinessEmpirical evidenceEarnings qualityQuality auditAuditor independenceAccrualJoint auditInternal auditPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Ruddock, Taylor, and Taylor (2006) use an earnings conservatism framework to investigate the effects of nonaudit services (NAS) on earnings conservatism, and to test whether audit quality was impaired by NAS in Australia during the 1990s. They find no evidence of differential conservatism conditional on the level of NAS fees paid to auditors, and thus conclude that NAS have no adverse effect on audit quality. While this result may not extrapolate to the U.S. setting due to institutional difference between the two countries, the study does add to a growing body of empirical evidence that questions whether there is any logical rationale for restricting the scope of the services that auditors provide to their audit clients. In reviewing the NAS research literature over the past 40 years, one has to conclude that there is no “smoking gun” evidence linking the provision of nonaudit services with audit failures. However, the literature also finds that NAS can adversely affect the appearance of auditor independence, and this may be more than a “mere perception” problem, because there is also evidence that stock prices are significantly lower for companies that pay their auditors large fees for nonaudit services.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,210
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0020,000
Communication savante0,0050,006
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,313
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations176
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207